动脉粥样硬化引起的易损斑块破裂已经严重危害到人类的健康，而血管内光学相干断层成像（IVOCT）凭借其高分辨率已经成为识别冠脉易损斑块的主要工具，但图像判读费时费力，通常还依赖于医生的经验。目前已有基于传统机器学习的研究实现了对单帧图像的分类，但这些信息不足以辅助医生确定治疗方案，仍然需要医生二次判读。基于Faster R-CNN（R-CNN，区域卷积神经网络），针对IVOCT图像中易损斑块的特点，在数据增强、预测框（BBox）编码、网络结构等方面进行了改进和优化，实现了对易损斑块的自动识别，并选取易损斑块的病变累积角度、纤维帽厚度、巨噬细胞浸润情况、浅表微钙化情况和血管狭窄程度作为指标，对易损斑块的破裂风险进行多方面评估。在公开数据集CCCV2017 IVOCT中进行训练，测试后取得了较好结果，该方法可推广应用于同类图像。

跨模态行人重识别是一项具有挑战性的行人检索任务。现有研究侧重于通过提取模态共享特征来减小模态间差异，忽视了对模态内差异和背景干扰的处理。为此，提出了一种掩膜重构与动态注意力（MRDA）网络，该网络通过重构人体区域特征来消除背景杂波的影响，从而增强网络对背景变化的鲁棒性。此外，该网络结合了动态注意力机制，以过滤无关信息，动态挖掘并增强具有辨别力的特征表示，消除模态内差异的影响。实验结果显示：该网络在SYSU-MM01数据集的all-search模式下的第一个检索结果匹配成功的概率（Rank-1）和均值平均精度（mAP）分别达到70.55%和63.89%；在RegDB数据集的visible-to-infrared检索模式下的Rank-1和mAP分别达到91.80%和82.08%。在公共数据集上验证了所提方法的有效性。

针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题，提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别：首先，通过大量的基础实验，在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型；接下来，使用EfficientNetV2-L对古青铜器数据集进行特征提取；然后，将原有的线性分类层替换为cosin_classifier，减小方差带来的风险，提高模型鉴别能力；最后，引入Focal损失函数替换原有的交叉熵损失函数进行损失计算，在聚焦因子（focusing parameter）和加权因子（class weighting）作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点，在测试集上取得91.7%的最优准确率。在此基础上，还对分期有争议的青铜器进行了模型预测分析。结果表明，深度学习技术在古青铜器数据集年代鉴别任务上是有效的，可提供参考分析数据，减轻考古专家的工作强度。

目前，病理专家通过肉眼识别显微镜视场下乳腺癌病理切片图像中的乳腺癌细胞具有很强的主观性。因此，设计了一款基于显微图像的乳腺癌细胞识别系统，该系统包括显微图像采集模块和乳腺癌细胞识别算法实现模块。通过USAF 1951分辨率测试板验证设计的乳腺癌细胞识别系统显微图像采集模块，最终的成像分辨率可以达到2.19 μm。通过多组乳腺癌病理图像验证所提乳腺癌细胞识别算法，结果表明设计的乳腺癌细胞识别系统识别乳腺癌细胞的平均准确率达到93.4%。

冰晶是云滴谱的重要组成部分，其对全球辐射收支平衡、全球气候变化、水文循环、人工影响天气作业等具有重要的影响。目前2~100 μm的冰晶与液滴混合相态难以区分，且存在难以提供冰晶微物理参数的瓶颈问题。针对这两个问题，本文基于数字全息理论，利用全域数字图像融合方法、局部亮度梯度方差法和旋转卡壳法，结合固液相粒子圆度概念，实现了云中液滴和冰晶的混合相态识别，在特定圆度阈值下，液滴和冰晶的识别率大于93%；再结合光学图像识别技术，获得冰晶粒子的面积、周长、凸包和最小外接矩形数据；最终利用上述数据获得了冰晶微物理参数。通过在低温云室中的观测实验，获取了板状、枝状和六角冰晶的微物理参数，该方法解决了冰晶观测中的瓶颈问题。此外，通过冰晶采样间隔时间和不同时刻的质心三维坐标和等效直径，还可获得冰晶粒子的三维运动速度与轨迹。该方法对提升数值天气预报精确度，以及人工影响天气作业具有重大意义。