现在大多数基于图卷积的点云语义分割方法忽略了边构建的重要性，不能充分地表示局部区域的特征。基于此，提出一种结合注意力机制的边增强的图卷积网络（AE-GCN）。首先，将邻居点特征加入边中，而不仅仅是中心点与邻居点的特征差异；其次，加入注意力机制保证点云的局部信息得到更充分的利用；最后，采用U-Shape的分割结构，确保网络更好适应点云的语义分割这一任务。在两个公开数据集Toronto_3D和S3DIS上的实验结果表明，与目前的大多数方法相比，AE-GCN取得了具有竞争力的结果：在Toronto_3D数据集的平均交并比为80.3%，总体准确度为97.1%；在S3DIS数据集的平均交并比为68.0%，总体准确度为87.2%。

针对轨道扣件表面结构复杂导致的线结构光照射分布不均匀问题，研究了一种基于改进灰度重心法的光条中心线提取方法，精准重构了轨道扣件点云模型。基于点云模型提取了轨道扣件的结构特征信息，建立了轨道扣件缺陷检测组合分类器模型，实现了轨道扣件的弹条缺失、扣件歪斜、螺母缺失等缺陷检测。研究了基于表面法向量的螺母上平面解析方法，通过螺母松动测量实验实现了轨道扣件的松动检测。搭建了扣件故障诊断实验平台并开展了相关实验研究，实验结果表明，系统扣件故障检出率达到96%，扣件松紧度测量的总体误差低于0.2 mm，扣件故障诊断系统的检测效果和鲁棒性较好，对列车安全运行具有重要的现实意义。

残余灰度场是变形前后数字体图像中对应体素点的灰度之差。在基于有限单元的全局数字体图像相关（DVC）方法中，残余灰度场作为计算区域各体素点匹配质量的目标函数，可直接计算获得，并可用于材料内部损伤演化或裂纹扩展的精细表征。然而，当前广泛使用的基于图像子体块的局部DVC只能获得计算区域内各离散计算点的位移、应变和相关系数信息，无法直接计算区域内各体素点的残余灰度。相较于相关系数和变形信息，残余灰度场可实现逐体素的匹配质量评价，在内部损伤或裂纹扩展的可视化观测和准确定位方面具有显著优势。为能在局部DVC中获得残余灰度场信息，提出一种简单有效的残余灰度场计算方法。该方法基于三维Delaunay四面体剖分算法，并利用有限元框架对局部DVC离散计算结果进行稠密插值，以获取逐体素连续位移场，并将其用于变形体图像校正。模拟和真实实验结果表明，基于局部DVC测量结果后处理计算获得的残余灰度场不仅可以实现精准的损伤定位，还能观测到裂纹形貌以及界面脱黏行为。所提方法弥补了当前局部DVC在精细化匹配质量评价方面的不足，有望拓展该方法在材料和结构内部损伤观测和定位中的应用。

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。

借鉴计算机层析成像方法，通过多角度成像的方式得到氘氚燃烧区三维分布信息。介绍了球谐函数分解、最大期望代数迭代两种具有代表性的极少角度三维图像重建算法，并提出将球谐函数分解重建结果作为最大期望代数迭代初始值的重建约束方法。该方法利用了激光、Z箍缩聚变靶具有一定球对称性的物理先验，既改善了球谐函数在极少角度投影重建表示能力不足、残影较大的缺点，又利用了最大期望算法局部最优的特点，可以将重建结果限制在物理似然域中，从而在一定程度上克服了极少角度投影三维重建解空间过大的问题。利用峰值信噪比、均方根误差、KL偏差等三种指标对重建结果进行了量化评价，结果表明球谐函数初值约束的最大期望代数迭代算法效果最好。

随着汽车尾灯技术的发展, 人们对汽车尾灯的个性化和立体化的图像显示功能有了更高的追求。针对这一现状, 基于全息技术原理, 提出透射式和反射式两种全息汽车尾灯方案, 对汽车尾灯进行三维建模, 并制作了汽车尾灯及其光学元件, 实现了汽车尾灯的三维图像显示功能。对全息汽车尾灯的三维显示效果及其显示性能参数进行了试验测试和结果分析。其中, 透射式全息汽车尾灯的衍射效率可达28.75%, 平均透光率高达86.83%, 有较好的三维立体显示效果。反射式全息汽车尾灯在白光下也可呈现出较为清晰的三维立体图像。

针对传统点云配准方法在处理大型点云模型时存在计算量大、效率低和移动扫描配准实时性较差等问题,提出基于卷积神经网络结合改进Harris-SIFT(Scale Invariant Feature Transform)的点云配准方法。首先改进Harris-SIFT算法,使其可以提取三维空间中点云模型的稳定关键点。进而将关键点的加权邻接矩阵作为卷积神经网络的输入特征图,实现源点云和目标点云关键点的预测匹配。然后基于匹配的关键点,采用迭代最近点(ICP)算法实现点云数据的精配准。相较于传统的点对点配准,所提方法不需要生成对应关系的点描述符,解决全局搜索开销大的问题。实验结果表明,相较于ICP算法,所提方法能够较好地完成即时点云配准,且计算量小,耗时短,效率高。