针对冠脉病变检测算法普遍存在的异常截面识别率低、无法排除特殊结构影响等问题，提出了一种基于一类支持向量机(OCSVM)的冠脉病变检测方法，并使用冠脉面重采样和基于最大互信息的特征选择方法提高了算法识别正确率。该方法首先基于梯度通量对冠脉源截面进行三次样条插值重采样，然后构造出截面的多尺度特征，接着使用最大互信息结合冗余度去除进行特征选择，最后使用特征数据训练OCSVM完成冠脉病变检测。实验结果显示，在1128个冠脉截面数据的测试结果中，本算法在完全识别异常截面的情况下对健康截面的识别正确率达到了53.5%，远高于同类型的仅从正面和未标记数据学习的支持向量机(SVM)算法所对应的19.6%；而冠脉截面重采样也使得30个特征数下算法对健康截面的识别正确率由21.7%提高到了53.2%。

针对自适应性低的焊缝跟踪系统在实际焊接环境中易受噪声干扰的问题, 结合深度卷积神经网络强大的特征表达能力和自学习功能, 研究了基于深度分层特征的焊缝检测和跟踪系统, 该系统可精确地从噪声污染的时序图像中确定焊缝位置。为彻底解决焊枪依循计算轨迹运动所出现的抖振问题, 设计了模糊免疫自适应的智能跟踪控制算法。实验结果显示, 在强烈弧光和飞溅的干扰下, 传感器测量频率达20 Hz, 焊缝跟踪精度约为0.2060 mm,且焊接过程中焊枪末端运行平稳。该系统能实现焊缝平滑的实时跟踪, 抗干扰能力强, 焊缝轨迹跟踪准确, 能满足焊接应用要求。

为构建冠心病辅助诊断系统，为冠状动脉病变检测提供冠脉结构参数，提出一种利用冠状动脉血管中心线获取血管腔壁的算法。该算法以基于二阶Hessian 矩阵血管滤波改进的最小代价路径算法获得的血管中心线为跟踪路径，根据中心线的轨迹计算中心线上过每一个体素点的冠状动脉横截面，利用光线投射法获得冠脉横截面上离散的血管腔壁位置，并结合分段样条拟合方法得到血管腔壁轮廓，最终采用移动立方体算法将各个血管横截面上的腔壁轮廓重建为三维腔壁模型。该算法所得结果能够清晰反映血管腔壁轮廓，且具有较高的计算速度。