针对支持向量数据描述(SVDD)处理大规模样本时存在训练效率低的问题，提出了一种定向蚕食快速增量SVDD算法。首先随机抽取一定规模样本利用增量SVDD训练初始超球，并蚕食满足超球样本；然后每次选取距离上一超球最远的样本作为新增量样本，更新超球模型，使得增量SVDD的增长步长大于1；最后通过循环迭代，生成整个训练集的SVDD分类器。仿真和实例实验结果表明，与普通SVDD算法和增量SVDD算法相比，新算法在保证分类器性能的前提下，时间复杂度有了显著降低，模型训练效率也得到了进一步提高。

鉴于生物视觉特征对于图像的良好表征能力，提出了一种基于生物视觉特征的无参考型图像质量评价方法。对生物视觉ST模型进行了研究和分析，完成了对图像的稀疏化表示[利用最小二乘支持向量机回归方法训练生物视觉特征到图像质量的映射关系，获得能够预测图像质量的回归器[通过学习的回归器完成了对图像质量的评价。基于LIVE图像库的实验结果表明，该方法对于特定失真和交叉失真的预测误差分别为2%和5%左右，并且与目前技术条件下的质量评价方法相比具有很好的精确性和单调性。

针对传统复原算法在低信噪比情况下复原结果感知效果差的问题, 提出了一种基于视觉对比敏感度与恰可察觉失真感知的图像复原方法。首先, 利用离散余弦变换(DCT)分解图像, 将图像编码为不同尺度下的一系列子带, 利用概率和模型及DCT感知模型计算每条子带的恰可察觉失真阈值, 并采用明可夫斯基距离计算失真度量; 然后, 对于每个尺度下的每条子带, 利用一个迭代的两断对分程序来调整每个尺度下的每条子带的通道权重, 直至子带的失真度量恰好等于期望的失真阈值; 最后, 利用对比敏感函数对每条子带中的系数进行视觉敏感度加权, 通过DCT逆变换对视觉感知加权后的系数进行重构以得到最终的复原图像。基于LIVE图像库的实验结果表明, 本文复原算法不仅能够有效地增加图像的信噪比, 而且能够很好地改善图像的感知质量。

针对超声速飞行器在大气中飞行时由于气动光学效应产生的成像偏移，推导了光线偏折角和流场折射率梯度之间的关系，给出了小入射角情况下，离散折射率场光线偏折角的一种计算方法；利用不同流场的计算流体力学数据计算出对应的折射率场；使用光线追迹法得到光线通过不同流场后的偏折角和传播路径上的折射率梯度分布。仿真结果表明，新的偏折角计算方法所得结果在入射角小于30°时与Runge-Kutta和Snell光线追迹法具有很好的一致性；同一高度下小入射角时，光线的偏折角并不随着飞行速度的增加而增加，而是基本保持稳定；光线通过流场的偏折是正负折射率梯度区域共同作用的结果，负的折射率梯度区域可以减少光线偏折，起到部分“校正”作用。

针对三维模型简化中保留细节特征的要求,提出了一种基于视觉特征保持的三维几何模型简化算法。采用半边折叠操作,综合考虑了网格模型中半边的几何重要性和变化误差,并将其作为各半边的折叠代价来确定模型中边的折叠顺序,在模型简化后又利用顶点"微调"法对简化模型进行了局部视觉效果修正。实验研究结果表明:本文提出的三维几何模型简化算法能有效地保留模型的细节特征,并能显著改善模型因简化产生的形变,是一种简单、有效的模型简化算法。