高光谱图像包含丰富的地物光谱信息, 在遥感图像领域有着巨大的发展前景。 高光谱图像异常检测无需任何先验光谱信息, 便可检测出图像中的异常目标。 因此, 在****和民用领域都有广泛的应用, 是现阶段高光谱图像处理领域的研究热点。 然而, 高光谱图像存在数据复杂、 冗余性强、 未标记以及样本数量少等特点, 这给高光谱图像异常检测带来了很大的挑战。 尤其是在深度学习中, 往往需要大量的图像数据作为训练样本, 这对高光谱图像来说很难获得。 针对现有大多数算法对高光谱图像自适应性不强和空间-光谱信息利用不足的问题, 提出一种基于3D卷积自动编码网络的高光谱异常检测算法, 可以在少量训练数据的前提下, 有效利用高光谱图像信息, 学习更加有判别性的特征表达, 提高检测精度。 首先, 通过3D卷积、 3D池化和3D归一化等步骤设计3D卷积网络, 进而提取高光谱图像的空间-光谱结构特征。 然后, 将3D卷积网络和3D反卷积网络分别嵌入自动编码网络的编码器和解码器, 通过最小化结合均方差和光谱角距离的重构误差进行背景重构。 最后, 利用原始高光谱图像待测像元与重构的背景图像之间的马氏距离进行异常检测。 该算法可以在无先验信息的情况下, 自动训练网络中的所有参数, 以无监督的方式学习高光谱图像的有效特征并进行背景重构。 为证明算法的有效性, 利用截取来自三组真实高光谱数据集的九个图像进行异常检测, 并与RX, SRX, CRD, UNRS和LRASR五种算法进行对比。 结果表明, 与现有的其他算法相比, 该算法可以在复杂程度不同的高光谱图像背景下可以保持较高的检测效果和准确率。

动作识别是计算机视觉领域的一项重要任务，主要有基于RGB视频和人体骨架两种数据模态的领域，主流方法分别是3D卷积神经网络和图卷积神经网络。针对视频和人体骨架两种数据模态的不同特点，设计了双分支网络分别对两种数据模态进行建模。对于人体骨架数据，基于自注意力机制设计了图卷积神经网络，该算法能在基于骨架的动作识别任务中达到先进的性能。对于视频数据，采用3D卷积网络进行特征提取。同时，利用深监督方法对两种数据模态的中间特征进行监督，提高两种数据特征的耦合度，进一步提高网络效率。这种算法的网络结构简单，在NTU-RGBD60（CS）数据集上仅用3.37×10⁷的参数量可达到95.6%的精度。

针对复杂背景下，依靠高超声速飞行器搭载的红外探测器对高动态空中目标的可靠探测和精确识别问题，提出了一种基于深度空时域特征融合的空中多形态目标检测方法。设计了加权双向循环特征金字塔结构提取多形态目标静态特征，并引入可切换空洞卷积，增大感受野的同时减少空域信息损失。对于时序运动特征的提取，为了抑制复杂背景噪声的同时将角点信息集中到运动区域中，通过特征点匹配法生成掩膜图，之后进行光流计算，根据计算结果设计稀疏光流特征图，利用3D卷积提取多个连续帧图像中包含的时序特征，生成三维时序运动特征图。最后，通过对图像静态特征与时序运动特征进行通道维度的拼接，实现深度空时域特征融合。大量的对比实验表明，文中方法可明显减少复杂背景下的虚假识别概率，具备高实时性的同时目标识别准确率达89.87%，满足高动态下的红外目标智能检测识别需求。

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题，提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先，通过3D卷积自编解码器提取高光谱影像的空谱特征，并针对高光谱图像的局部区域强相关性，设计了一种新的损失函数来约束中心像素和周围像素，以提取判别性较强的特征图；然后，针对所提取的特征图，通过基于密度的空间聚类算法构建背景字典，并利用低秩表示分离出异常区域；最后，融合由3D卷积自编解码器得到的重构误差和异常区域检测结果，得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性，在两个真实的机场高光谱数据集上进行飞机等目标检测实验，ROC、AUC量化指标和主观分析等实验结果表明，与其它6种异常检测算法相比，本文算法具有更高的异常目标检测精度。