针对目前自监督单目深度估计网络在充斥着大量低纹理、低光照区域的室内复杂场景中存在预测深度信息不精确、物体边缘模糊以及细节丢失严重等问题，本文提出一种基于层级特征融合的室内自监督单目深度估计网络模型。首先，通过映射一致性图像增强模块来处理室内图像，提升低光照区域可见性并且保持亮度一致性，丰富纹理细节，一定程度上解决了训练网络时出现模糊假平面恶化模型的问题。然后，设计结合基于注意力机制的跨层级特征调整模块的深度估计网络，充分融合编码器以及编-解码器多层级特征信息，提升网络的特征利用能力，缩小预测深度与真实深度的语义差距。最后，设计基于图像风格特征的格拉姆矩阵相似性损失函数作为额外的自监督信号约束网络模型，提升网络预测深度的能力，进一步提高了预测深度的精度。在NYU Depth V2 和ScanNet室内数据集上进行训练与测试，正确预测深度像素的比例能够分别达到81.9%和76.0%。实验结果表明，相比现有主要的室内自监督单目深度估计网络，本文网络模型很好地保持了物体边缘和细节信息，有效地提高了预测深度的精度。

针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题，提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先，四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块，并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图，且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时，在不增加参数情况下使得所提取特征的多样性更加丰富。最后，对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明，所提算法在BSD100数据集上4倍超分辨率时，相比LatticeNet模型的PSNR指标提升了0.14 dB，SSIM提升了0.001，在主观视觉方面，重建出的图像局部纹理细节也更加清晰。

针对现有单幅图像超分辨率重建算法提取的图像特征信息单一、高频细节丢失的问题，提出了一种高效利用特征信息的基于多尺度密集特征融合网络的图像超分辨率重建算法。该方法通过含有不同尺度卷积核的多尺度特征融合残差模块提取不同尺度图像特征并将不同尺度的特征融合，以提取丰富的图像特征。在模块间采用密集特征融合结构将不同模块提取到的特征信息充分融合，以更好地保留图像的高频细节、获取更好的视觉感受。大量实验表明，所提出的方法在参数量减少的同时，在四个基准数据集上取得的峰值信噪比和结构相似度均有明显提升，尤其在Set5数据集上4倍重建结果的峰值信噪比相比于DID-D5提升了0.08 dB，且重建图像视觉效果更好、特征信息更加丰富，充分证明了该算法的有效性。

针对基于成对抗网络(GAN)的单幅图像去雾算法，其模型对样本真值过度拟合，而在自然图像上表现一般的问题，本文设计了一种融合暗通道先验损失的生成对抗网络来进行单幅图像去雾。该先验损失可以在网络训练中对模型预测结果产生影响，纠正暗通道特征图的稀疏性与偏度特性，提升去雾效果的同时阻止模型对样本真值过度拟合。另外，为了解决传统的暗通道特征图提取方法存在非凸函数，难以嵌入网络训练的问题，引入了一种基于像素值压缩的暗通道特征图提取策略。该策略将最小值滤波等效为对像素值压缩，其实现函数是一个凸函数，有利于嵌入网络训练，增强算法整体的鲁棒性。另外，基于像素值压缩的暗通道特征图提取策略不需要设置固定尺度提取暗通道特征图，对不同尺寸的图像均有良好的适应性。实验结果表明，相较于其它先进算法，本文算法在真实图像以及SOTS等合成测试集上均有良好的表现。

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题，提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作，引导滤波的边缘保护特性，有效阻隔了边缘处类间光谱信息的混淆，并减小了局部区域类内光谱的差异，最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines，Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明，本文提出的方法在三个数据集上分别取得了98.63%，99.13%与99.42%的总体分类准确率，有着更优的分类精度与可视化效果.