提出了一种针对病理切片图像的端到端语义分割方法--边缘感知网络（BPNet），以提高病理图像分割精度。BPNet网络首先在解码器阶段增加边缘感知模块，改善网络对于病理图像边缘的特征信息提取能力。然后，采用自适应通道注意力模块弥补不同层次特征间的语义差距，进一步加强网络的特征聚合能力。在此基础上，设计了一种基于结构和边缘的联合损失函数，以实现最佳的病理图像分割结果。在GlaS和MoNuSeg两个公开病理数据集上的分割实验结果表明，所提方法的Dice系数得分在两个数据集上分别达到92.21%和81.18%，有效提升了病理图像的分割精度。

高光谱成像技术的飞速发展给非侵入式医学成像带来新的契机，但高光谱医学图像具有高维度、高冗余以及“图谱合一”的特点，亟需针对上述特点设计智能诊断算法。近年来，Transformer已经在高光谱医学图像处理领域得到广泛应用。然而，不同仪器设备、不同采集操作所获得的高光谱医学图像差异较大，这给现有Transformer诊断模型的实际应用带来了巨大挑战。针对上述问题，本文提出了一种空-谱自注意力Transformer （S³AT），自适应挖掘像素与像素间、波段与波段间的内蕴联系，并在分类阶段融合多个视野下的预测结果。首先，在Transformer编码器中，设计一种空-谱自注意力机制，获取不同视野下高光谱图像上的关键空间信息和重要波段，并将不同视野下所获得的空-谱自注意力进行融合。其次，在模型分类阶段，将不同视野下的预测结果根据可学习权重进行加权融合，对图像进行综合预测。在 In-vivo Human Brain 和 BloodCell HSI 两个数据集上，本文算法总体分类精度分别达到82.25%和91.74%。实验结果表明，所提出的算法有效改善高光谱医学图像分类性能。

针对目标场景复杂的空间布局和高光谱影像固有的空-谱信息冗余等挑战，提出了端到端的轻量化深度全局-局部知识蒸馏（Lightweight Deep Global-Local Knowledge Distillation，LDGLKD）网络。为探索空-谱特征的全局序列属性，教师模型视觉Transformer（Vision Transformer，ViT）被用来指导轻量化学生模型进行高光谱影像场景分类。LDGLKD选择预训练的VGG16作为学生模型来提取局部细节信息，将ViT和VGG16通过知识蒸馏协同训练后，教师模型将所学习到的远程上下文关系向小规模学生模型进行传递。LDGLKD可通过知识蒸馏结合上述两种模型的优点，在欧比特高光谱影像场景分类数据集OHID-SC及公开的高光谱遥感图像数据集HSRS-SC上的最佳分类精度分别达到91.62%和97.96%。实验结果表明：LDGLKD网络具有良好的分类性能。根据欧比特珠海一号卫星提供的遥感数据构建的OHID-SC可以反映详细的地表覆盖情况，并为高光谱场景分类任务提供数据支撑。

为了提取高光谱图像中的深度鉴别特征，往往需要大量标记样本，但是高光谱图像样本标定困难，基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征，然后分别构建基于监督图和非监督图的流形重构图模型，以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数，以协同度量流形边界和空-谱概率残差，实现双流网络的一体化反馈和优化，进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%，有效提升了地物分类能力。

深度学习已经在高光谱血细胞图像分类中获得广泛应用。然而，传统深度学习模型需要大量标记数据作为样本，忽略了高光谱图像“图谱合一”的性质，不能充分挖掘高光谱图像内蕴信息，且存在参数多、复杂度高问题。针对上述问题，提出了空-谱可分离卷积神经网络（S³CNN），在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能。根据高光谱血细胞图像分布的空间一致性，S³CNN模型首先通过空-谱联合距离（SSCD）得到训练集中各像素点的空-谱近邻，并对这些近邻点赋予与相应中心像素点相同的标签，进行样本扩充，然后在网络模型中采用一组深度卷积和点卷积代替经典卷积，优化了模型复杂度，实现血细胞分类。在Bloodcells1-3和Bloodcells2-2两个不同场景下的高光谱血细胞数据集上的实验结果显示，本文所提算法的总体分类精度分别达到87.32%、89.02%。与其他传统血细胞分类算法相比，本文算法能有效提升高光谱血细胞图像的分类性能。在训练时间上，所采用的可分离卷积模型比经典卷积模型减少27%。实验结果表明，所提网络框架不仅能有效提升高光谱血细胞分类性能，且可减少模型训练时间。

鉴于传统深度学习方法只提取了高光谱图像中的深度抽象信息，而未能充分揭示样本之间的局部几何结构关系，限制了分类性能的提升，本文提出了一种新的特征提取网络——深度流形重构置信网络。该网络首先通过深度置信网络提取深度抽象特征，为进一步增强抽象特征的鉴别能力，在图嵌入框架下通过样本数据的邻域点和各邻域的同类近邻重构点来构建类内图和类间图，并在低维空间中分离类间近邻点与其重构点的同时压缩类内近邻点和相应的重构点，实现提取深度鉴别特征，以改善不同类数据的可分性，进而提升地物分类精度。在KSC和MUUFL Gulfport高光谱数据集上的实验结果表明，本文算法的总体分类精度分别达到了94.71%和86.38%。相比较其他算法，本文算法有效提升了地物分类能力，更有利于实际应用。

卷积神经网络的语义分割模型未有效利用特征权重信息，导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的U-Net++网络，并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验，所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割，较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。