为了解决当前图像匹配算法主要是通过像素点间的距离信息来实现特征匹配, 忽略了图像间的方差信息, 导致匹配结果中存在较多的错误匹配等不足, 本文提出了一种基于拉普拉斯特征制约与方差度量的图像匹配方法。首先, 引入 Harris算子, 对图像特征进行粗提取, 并利用像素点的拉普拉斯特征, 删除伪特征点, 对粗提取的图像特征进行优化, 获取更为准确的图像特征。然后, 依据图像的梯度特征来计算图像特征的方向信息, 以此建立特征点的邻域, 通过求取该范围内的 Haar小波值, 从而得到特征向量。采用区域方差模型对图像的方差信息实施度量, 并联合特征点的欧氏距离, 对特征点进行更为准确的匹配。最后, 采用随机样本一致性 (RANSAC)机制对特征匹配结果实施优化, 剔除其中的错误匹配, 从而完成图像匹配。实验结果显示：较当前较为先进的匹配算法而言, 在旋转、缩放等几何变换干扰下, 所提算法具备更高的匹配准确率, 维持在 90%以上。

为了提高高光谱图像的分类精度，提出了一种基于多尺度卷积神经网络的高光谱图像分类算法。首先，利用等距特征映射算法处理高光谱数据，以挖掘数据的非线性特性，保持数据点的内在几何性质；然后，构建以标记像元为中心的训练图像块，训练多尺度卷积神经网络；最后，利用 softmax分类器预测测试像元的标签。提出的方法在 Indian Pines、University of Pavia和 Salinas scene高光谱遥感数据集上进行分类实验，并与 CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较。实验结果表明，在 3个数据集上提出的方法的总体识别精度分别达到 98.51%、98.64%和 99.39%，与 CNN算法相比分别提高了约 8.35%、6.37%和 7.81%。本文提出的方法无论是在分类精度还是 Kappa系数上都优于另外 4种方法，是一种较好的高光谱遥感数据分类方法。

传统的去雾霾方法会导致天空、白云和明亮区域内的颜色失真。为了解决以上问题, 提出了一种基于多尺度卷积神经网络和分类统计的去除图像雾霾的方法。首先用多尺度卷积神经网络估计图像的透射率, 其次对所估计的透射率进行分类统计以确定在暗通道内天空、白云和明亮区域的像素值, 最后通过低通高斯滤波器平滑图像场景的辐射度, 得到恢复的无雾霾图像。实验结果表明, 采用提出的方法对图像去雾霾后明亮区域内的颜色不会失真, 且保留了图像的自然外观, 对合成图像和真实图像均有较好的去雾霾效果。

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象, 提出一种基于 LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法。在传统算法上增加 LBP处理方法, 降低光照对特征提取的影响, 进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度。实验表明, 与经典的核相关滤波器跟踪算法相比, 基于 LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升, 能较好应用于实时场景中去, 是一种稳定的目标跟踪算法。

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。

针对光照以及人脸的尺度变换、遮挡等问题，提出一种基于多尺度韦伯脸与实时压缩在复杂光照情况下的跟踪算法。对实时压缩跟踪方法的理论模型的认真分析与研究，提出采用光照预处理方法来提高复杂光照情况下跟踪过程中目标信息的采集精准度。在目标检测跟踪过程中，与经典的实时压缩跟踪算法相比，基于多尺度韦伯脸与实时压缩的人脸跟踪算法在复杂光照情况下跟踪性能得到明显提升，能较好应对人脸尺度变换及局部遮挡的情况。