提出了一种基于深度学习的3D脑肿瘤核磁共振图像(MRI)自动分割方法。为了降低分割难度,采用三级级联网络的策略分割脑肿瘤的三个子区域;为了进一步提高三维分割的精度,采用帧间卷积和帧内卷积,加入额外的多层特征融合机制和空洞卷积;为了进一步细化分割结果,将条件随机场构建的循环神经网络整合到网络结构中。在模型训练中结合了两种损失函数,进一步提高了准确率。该方法在BraTS 2018 数据集上进行验证,对于脑肿瘤整体、肿瘤核以及增强肿瘤,其分割结果的Dice系数分别达到了0.9093、0.8254 和 0.7855,Hausdorff距离达到3.8188、7.8487和4.3264,优于大多数脑肿瘤图像分割方法。

针对红外舰船小目标图像复杂背景弱信号，虚警率较高且难以被精确检测的问题，提出了一种恒虚警率(Constant False-Alarm Rate，CFAR)-全连接条件随机场(Dense Conditional Random Fields，DCRF)舰船目标检测算法.该算法针对小目标与虚警信号变化特征相似但结构特征不同的特点,利用CRF的多维上下文(空间、辐射)表达的优势，实现虚警特征抑制，并引入CFAR对模型进行改进，提高了DCRF对于弱信号目标的检出能力,实现舰船小目标的精确检测与分割.实验结果表明，该算法能够充分利用海域的全局上下文信息，能够在保持较高检出率同时，有效降低虚警率，实现单帧端到端的小目标检测.

人体动作的识别与理解是人机交互、机器人应用的关键技术之一, 为了提高人体各种复杂动作的识别精度与鲁棒性, 研究了基于复杂性度量与多尺度运动编码的动作识别技术。通过不同长度的滑动窗口对视频序列获取子序列;通过时间序列复杂性来度量人体运动轨迹, 设计了一种多尺度的滑动窗口, 从而选择出有效子序列;基于有效子序列, 引入k-均值聚类分析算法, 对人体运动进行编码, 获取运动编码直方图;引入条件随机场对动作分类学习, 完成动作识别与理解。所提出的算法在人机交互、智能家居、视频监控等领域具有较好的参考价值。