针对红外与可见光融合图像存在纹理细节不丰富、对比度较低及目标信息损失等问题，提出了一种基于特征优化和生成对抗网络的图像融合算法。首先，设计一种自适应特征优化模块以增强原始图像纹理细节及对比度；然后，为使融合图像保留更多的多模态信息，将生成对抗网络引入到融合框架中。在生成器模型中，考虑到红外与可见光图像成像机理差异，构建了双支路特征提取网络，并设计多尺度密集连接模块以提取异源图像丰富的特征信息；其次，在融合层构造通道和空间注意力模型以增强局部特征之间联系，减小融合图像中目标信息损失；最后，为使融合结果尽可能保留可见光纹理细节的同时又能够较好突出红外目标，构造了双判别器网络结构。为验证所提算法优势，在TNO数据集上进行实验，并与6种经典融合算法进行主观和客观比较。实验结果表明，所提算法无论在主观还是客观评价上均具有明显优势，生成的融合图像纹理细节更为丰富、边缘及目标更加清晰且具有更好的对比度，客观评价指标信息熵、空间频率、相关熵、视觉保真度和梯度信息分别提高了16.11%、65.46%、7.96%、42.67%和33.24%。

为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题，充分提取红外与可见光图像中的特征信息，提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中，双通道结构由密集连接和残差连接模块级联构成，并设置一种综合像素、结构相似度和梯度特征保留的损失函数，使该编码器结构可以充分提取红外与可见光图像的多层次特征，在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合，最后设计对应的解码器对融合特征图像进行重构，获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比，结果表明该方法在主观和客观上都具有优秀的综合性能。

成像设备在暗光照环境下会出现对比度不高、图像细节信息丢失、颜色失真等问题，这会对视频监控、智能交通、人脸识别等应用场景产生巨大干扰。为了解决这一问题，本文提出了一种融合了注意力机制的的复合残差网络来实现对低照度图像的增强。该算法首先通过色彩空间上的转换（RGB-HSV）将亮度分量V放入构造的神经网络中，然后神经网络通过融合了注意力机制的多分支结构进行图像浅层特征的提取，接着经过复合残差网络提取深层特征，再经过图像重建得到增强后的V分量，最后通过分量融合实现图像增强。实验结果表明，对比目前国内外主流低照度图像增强算法，所提算法在主观视觉上对图像亮度与对比度有显著提升，在PSNR、SSIM指标上与传统算法的对比结果分别提升了约20%和15%，与深度学习算法的对比结果分别提升约9%和3%，不论是在人工合成的低照度图像还是真实、自然低照度图像中均有良好表现，基本满足图像增强的颜色自然、对比度和鲁棒性高等要求。

为了提高图像理解（Image Captioning）的预测性能，设计了一种基于“融合门”的深度神经网络模型。该“融合门”网络模型基于编码器-解码器结构设计，是卷积神经网络与循环神经网络的融合。算法首先将输入图像通过VGGNet-16网络进行卷积，得到对应的4096维输出向量，然后将卷积后的输出向量与标注语句向量合并，作为输入向量进入改进后的“融合门”网络，最后获得新的网络输出结果。上述过程按照时间步逐次迭代，最终完成网络训练。使用权威的CIDEr评价指标来评估该“融合门”网络的预测结果，实验结果表明，该网络的CIDEr值比“Neural Talk”网络的CIDEr值提高10.56%，其他相关的评价指标也有较大幅度提高。该网络结构不但预测指标高，而且其网络参数个数比“注意力机制”网络参数少21.1%，所需要的计算机资源更少，这使得将该网络应用在边缘计算中成为可能，对图像理解成果的推广起到关键作用。

深度估计是传统的计算机视觉任务，在理解三维场景中起着至关重要的作用。基于单目图像的深度估计任务的困难在于如何提取图像特征中大范围依赖的上下文信息，提出了自适应的上下文聚合网络（adaptive context aggregation network，ACANet）用于解决该问题。该方法基于有监督的自注意力模型(supervised self-attention，SSA)，能够自适应地学习任意像素之间的具有任务特性的相似性以模拟连续的上下文信息，并通过模型学习的注意力权重分布用来聚合提取的图像特征。将单目深度估计任务设计为像素级的多分类问题，经过设计的注意力损失函数减少RGB图像和深度图的语义不一致性，通过生成的像素级注意力权重对由位置索引的特征进行全局池化。最后提出一种软性有序推理算法（soft ordinal inference，SOI），充分利用网络的预测置信度，将离散的深度标签转化为平滑连续的深度图，并且提高了准确率（rmse下降了3%）。在公开的单目深度估计基准数据集NYU Depth V2上的实验结果表明：rmse指标为0.490，阈值指标为82.8%，取得了较好的结果，证明了本文提出的算法的优越性。