提出利用聚类方法对光谱数据进行特征筛选。通过分析类内参数 γ1和类间参数γ2对筛选结果的影响, 选择较好的γ1和γ2进行有用光谱特征筛选。利用烤烟叶的近红外反射光谱(1500～2400 nm间隔 2 nm), 选用 SVM方法进行部位和颜色分组识别, 训练样本的识别率为 100%, 测试样本的识别率分别是 96.22%和 92.79%。然后利用聚类方法对初始光谱进行特征筛选, 选用相同的 SVM方法及相同的学习样本和测试样本进行部位和颜色分组识别。在删减部分不相干光谱后, 识别率分别提高到97.23%和 95.52%;继续删除相关度不高的光谱, 在识别率略有下降时, 光谱特征数可减少到 200个以下。结果表明: 利用聚类方法进行特征筛选, 不仅可提高识别率, 且可大大减少光谱数据, 因而极大地减少了数据采集时间, 简化了分组模型, 提高了系统的实时和快速处理能力。

为了探测图像中的肤色像素，提出了一种新的方法－支持向量机(SVM：Support Vector Machine)方法．它是一种基于肤色的非特定人的面部定位方法，是非接触人机交互技术和机器视觉中的一个重要内容．实验结果表明，采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性，而且具有更好的推广性能．由于SVM采用结构风险最小化(SRM：Structural Risk Minimization)准则，在最小化训练误差(经验风险)的同时，尽量缩小模型预测误差的上界，从而使模型有更好的泛化能力．

提出将支持向量机网络应用于含不同浓度杂质气体的非线性荧光光谱的识别。由于原始光谱数据的光谱通道数目很大，首先用小波变换去噪压缩，然后采用主成分分析方法对光谱信息进行连续两次的特征提取。在保持原光谱数据主要信息基本不变的情况下，将数据维数由3979压缩到514(小波变换)并提取9个主成分。这样，不仅减少了网络的输入维数，而且加快了网络的训练速度。实验结果表明，无论对训练样本还是未学习过的测试样本，其正确识别率均可达到100%。网络的训练和测试速度较快，可以更有效地应用于大气杂质气体的实时监测。

大功率超快脉冲激光和气体相互作用可产生非线性荧光光谱，不同的气体分子具有不同的非线性荧光光谱，因而这种光谱可以作为物质的指纹模式加以识别分类，进而获知气体的成分。由于不同气体分子的光谱在同一波段上有很大的交叉重叠，用传统的光谱分析方法分析存在困难，采用神经网络方法分析上述非线性荧光光谱，利用经过预处理的荧光光谱数据作为模式样本，其中一部分样本作为学习样本对级联神经网络进行训练，用训练好的网络对所有样本进行实时识别，学习样本和测试样本的的正确识别率均可达100%，结果表明此方法可实时判断混合气体的组分。

利用级联神经网络模型对多个三维目标进行识别,为提高其正确识别率,提出多种优化方法,它们可单独使用,也可以联合使用。对不变性编码、算法、互连权重的二值化方法、样本优选等进行了研究和探讨。利用优化后的模型对三个飞机模型在视场内的任意位置、任意取向(面内旋转360°,面外旋转大于45°)的投影进行识别。计算机模拟表明正确识别率达到96%以上。

提出了用光电混合网络来完成自适应取阈功能的硬件实现方法。该网络系统能根据输入状态的不同,通过网络单元间的相互竞争而达到对系统的阈值的自适应调整,使阈值总是等于最大输入值而完成“胜者全取”(WTA)。该网络系统主要由非晶硅半导体PIN光电探测阵列和“胜者全取”电子网络组成。又由于系统完全采用并行处理方式,因而具有响应速度快、灵敏度高、寻址能力强、结构简单和性能稳定等优点,能方便有效地应用于自适应取阈、相关峰检测、联想存储等光电混合系统。对一个36个单元的网络进行了实验测试并对其性能进行了分析。

以编码理论和神经网络优化算法为基础,提出了一种构造特征编码模板用于识别某一类模式集的方法,并以26个大写英文字母的识别作为实例进行了研究。提出了一种从二维视图识别三维目标的多网络融合方法,基于单个网络分类的置信度概念,有效地结合多个网络的输出结果作出最终分类判决。应用三个多层前向网络(隐层神经元数、初始权值等取不同值),设计了基于分类确信度的多网络融合结构。对四类车辆目标进行的识别实验表明,所提出的多网络融合方法明显优于单个网络的识别性能。

鉴于学习样本对神经网络模型的模式识别性能有很大的影响,提出学习样本的选择应与识别模型所利用的特性相结合,并利用汉明;Hamming 距离对用于旋转不变识别的级联模型的学习样本进行优选,计算机对三个很相似的飞机模型进行识别,识别结果表明对学习样本进行有效的选择不仅可以减少系统的学习训练时间而且可以提高模型的识别能力。

以三种飞机模型作为待识别目标, 模拟真实场景, 对用于多目标分类识别的级联神经网络重新进行了研究。 实验发现识别率下降的主要原因是实际采集的目标发生的复杂畸变与计算机模拟产生的效果并不一样。 用采集得到的目标图像作为训练样本, 对网络重新构造和训练, 取得了好的实验结果。 分析了其中涉及到目标定位、 图像分割等图像预处理问题。 提出了一种基于二值图像形态学腐蚀运算的快速目标检测定位法, 可快速有效地对目标进行检测定位。

提出一种可实现3-D物体分类的广义判别函数，模拟表明利用RBF函数(RBF：Radial Basis Function)组成的广义判别函数对于3-D目标的识别是很有效的，此方法简单，训练时间短，当识别系统采用并行处理数据时，不论是训练时间还是识别时间都很短，并提出一个利用此广义判别函数分类多个3-D物体的光电混合系统。