针对目前的点云配准方法在处理秦俑等文物模型时不能很好地解决分辨率不匹配、点云部分重叠、噪声点较多等问题，提出一种基于动态图注意力机制的ResUNet配准模型。该模型将残差模块融入U-Net网络中，使用三维稀疏体素卷积计算点云特征，并引入一种新的归一化技术：批邻域归一化（Batch-Neighborhood Normalization， BNHN），来提高特征对于点密度变化的鲁棒性；为了进一步提高配准性能，该模型通过自注意力机制和交叉注意力机制聚合局部特征和上下文特征，最后结合随机抽样一致性算法来估计源点云与目标点云之间的变化矩阵，完成秦俑文物模型的鲁棒配准。为了验证本文方法的有效与鲁棒，使用四组数据集（3DMatch、3DLoMatch、分辨率不匹配的3DMatch数据集以及两组秦俑数据）对配准模型进行测试，实验结果表明，该算法在3DMatch数据集和3DLoMatch数据集上的配准召回率分别达到90.1%和61.0%；在分辨率不匹配的3DMatch数据集，相比与基于特征学习的配准算法，该算法在配准召回率上提升了5%~20%；在秦俑数据集上，相对旋转误差均小于0.071，相对平移误差均小于0.016，相较于同类算法减少了一个量级或几倍。因此，本文的模型能够提取三维点云的关键特征信息，并且对点密度和重叠度变化具有更高的鲁棒性。

激光扫描获取的点云模型形状分析和变形需要依赖骨架线完成。本文提出了一种快速自动获取激光扫描点云骨架线用以对模型进行形状变换的方法，同时减少手动绑定骨架导致的时间耗费。该方法将初始骨架点定义为点云模型中具有对称法向的最近相关点的中点，通过中点状态的平衡化得到最终的骨架点；然后采用主成分分析法搜寻满足方向一致性要求的骨架点组合，并利用广度优先搜索方法合并不同骨架分支；最后将各分支通过拉普拉斯平滑后相连，从而得到完整的骨架线，并将此骨架线应用于模型形状变换的任务中。实验将本文方法与L1中轴骨架、质量驱动拓扑感知曲线骨架等方法进行对比，采用激光扫描的点云作为测试数据，验证了该算法的有效性、鲁棒性和高效性。本文算法提取效率提高到对于由8 077个点组成的点云提取骨架线仅需0.764 s，处理具有33 041个点的点云需4.356 s。将本文提取的激光扫描点云的骨架线应用于点云形状变化任务中，展示了此方法的实用性。

针对现有陶制文物表征学习方法是基于大量带标签数据的有监督学习方法，人工标记费时耗力且不能有效地学习到点云内在结构信息等问题，本文提出一种基于局部-整体双向推理的无监督表征学习方法。首先，提出多尺度壳卷积层级结构编码器提取不同尺度的文物碎片局部特征。其次，利用局部到整体推理模块将提取的局部特征映射得到全局特征，通过度量学习衡量两者之间差异，进行反复学习。然后，利用整体到局部推理模块以确保获取到的全局特征的质量。最后，在不同层次的局部结构和整体形状之间通过双向推理来学习文物点云表征，并将学习到的点云表征应用于分类下游任务。该网络模型在兵马俑数据集和ModelNet40公开数据集上的分类精度分别达到了93.33%和92.02%，分别高于PointNet 4.4%和2.82%。同时缩小了下游分类任务中无监督和有监督学习方法之间的差距。

为了解决现有的单图像翻译模型生成的图像质量低、细节特征差的问题，本文提出了基于多尺度密集特征融合的单图像翻译模型。该模型首先借用多尺度金字塔结构思想，对原图像和目标图像进行下采样，得到不同尺寸的输入图像。然后在生成器中将不同尺寸的图像输入到密集特征模块进行风格特征提取，将提取到的风格特征从原图像迁移到目标图像中，通过与判别器不断的博弈对抗，生成所需要的翻译图像；最后，本文通过渐进式增长生成器训练的方式，在训练的每个阶段中不断增加密集特征模块，实现生成图像从全局风格到局部风格的迁移，生成所需要的翻译图像。本文在各种无监督图像到图像翻译任务上进行了广泛的实验，实验结果表明，与现有的方法相比，本文的方法训练时长缩短了75%，并且生成图像的SIFID值平均降低了22.18%。本文的模型可以更好地捕获源域和目标域之间分布的差异，提高图像翻译的质量。

通过表皮生长因子受体（Epidermal Growth Factor Receptor，EGFR）突变情况可以对患者是否患有非小细胞肺癌（Non-small Cell Lung Cancer， NSCLC）进行检测。提出了一种基于对比学习的自监督EGFR基因突变预测方法，在不需要大量专家手工标注患者数据集的情况下，对输入网络的患者病灶区图像进行阴性、阳性预测。对自监督BYOL网络进行修改，增加了网络投影层非线性多层感知器（Multilayer Perceptron，MLP）的层数，并将患者CT和PET两个模态的图像数据融合作为网络的输入，在不需要大量标注患者数据集的情况下，对阴性、阳性病例进行预测。在非小细胞肺癌EGFR基因突变数据集上，与传统的影像组学、有监督VGG-16网络、有监督ResNet-50、有监督Inception v3和无监督迁移学习CAE进行对比。实验结果表明，使用对比学习从患者的CT和PET图像学习到的患者病灶区图像的实例特征可以对阴性、阳性病例进行区分，并取得了77%的曲线下面积（Area Under the Curve，AUC）；相对于传统的影像组学方法分类结果AUC提高了7%，相对于有监督VGG-16网络的分类结果AUC提高了5%；在不需要大量专家手工标注数据集及大量患者临床数据的情况下仅比有监督ResNet-50 AUC低9%。改进BYOL网络仅需要少量标注的患者数据集便可得到比部分传统有监督方法更准确的检测结果，展示了其辅助临床决策的潜力。

由于外在因素导致出土的文物模型呈现破碎状态，对其进行虚拟修复对考古学具有重要意义。现有孔洞修补方法大多仅针对三维模型结构进行补全，并且在三维结构修复后缺少表面的颜色纹理信息。本文基于文物三维空间结构和纹理信息，提出一种三维文物孔洞修复方法。首先，为了解决三维文物结构修复问题，利用基于径向基函数的算法填补三维文物网格模型的孔洞，通过拟合的曲面方程调整孔洞补丁顶点，使其与原有模型更好地融合。其次，为补全文物表面颜色纹理信息，使孔洞补丁与原有模型表面纹理自然过渡，将三维问题转化为二维图像修复问题，以EdgeConnect为框架，通过添加精细化网络生成更高分辨率的结果。最后，使用Mudbox软件映射二维图像到三维模型表面，融合结构和纹理修复的结果。本文改进后的二维修复网络在评价指标PSNR（Peak Signal to Noise Ratio）、SSIM（Structural Similarity）和MAE（Mean Absolute Deviation）的性能分别提高了0.54%、0.217%和6.52%，该方法能够有效地恢复兵马俑三维模型网格结构和表面纹理信息。