传统气溶胶反演方法通常先基于模型假设确定地表反射率，但反演结果会受到假设的影响；而深度学习方法基于数据驱动，能在气溶胶定量反演中得到更加准确、高效的结果，但模型训练需要充足的优质样本数据支持。为此，使用大气辐射传输模型构建模拟样本，支持深度学习方法实现气溶胶定量反演，旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息，考虑概率组合及筛选标准限制进行模拟数据构建，并使用深度置信网络（DBN）对模拟样本进行训练，获得气溶胶反演模型。将模型应用于Landsat-8数据，在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明，模型估算的气溶胶与站点测量值吻合良好，相关系数为0.8989，均方根误差为0.1029，约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路，可减少样本质量与数量导致的局限性，实现深度学习方法对气溶胶光学厚度的高精度反演。

利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、 竞争性自适应重加权（CARS）、 连续投影算法（SPA）、 无信息变量消除（UVE）特征提取方法, 运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型, 实现蓝莓糖度在线无损快速检测。 采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱, 采用手持折光仪测定其糖度; 首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常, 剔除该6个异常样本, 对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集; 其次, 对比分析卷积平滑（S-G平滑）、 中心化、 多元散射校正等预处理对蓝莓原始光谱的改善效果, 运用SiPLS对光谱降维, 筛选特征波段, 利用CARS, UVE和SPA方法对特征波段进行二次筛选, 以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。 结果表明, 蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑, SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm, UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。 建立蓝莓糖度DBN模型时, 分析了不同隐含层数对检测模型的影响, 并以交互验证均方根误差（RMSECV）作为适应度函数, 利用粒子群算法（PSO）对各隐含层神经元个数在［1, 100］之间寻优, 发现隐含层为3层且隐含层节点数为67-43-25时, DBN模型的RMSECV达到最小, 为0.397 7。 无论是以全光谱还是特征波长建模, 蓝莓糖度近红外DBN模型均优于常规PLSR方法; 尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量, 且模型精度更高, 蓝莓糖度最优的PLSR模型测试集相关系数（RP）为0.887 5, 均方根误差（RMSEP）为0.395 9, 最优DBN模型RP为0.954 2, RMSEP为0.310 5。 研究表明, 利用SiPLS-UVE进行特征提取, 结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析, 该方法有望应用于蓝莓及其他果蔬内部品质检测。

将近红外光谱技术与深度学习理论相结合,提出了一种基于Dropout深度信念网络(DBN)的棉涤混纺面料中各组分含量的快速检测方法。首先使用小波变换对原始光谱数据进行压缩处理,再构建以高斯受限玻尔兹曼机(GRBM)为核心的DBN模型,以保证输入数据信息的完整性;然后利用Dropout来防止模型过拟合,通过隐藏部分隐含层节点来减小节点之间的相互依赖,实现网络的稀疏化处理,提高了非线性建模和网络模型的泛化能力。实验结果表明:对于采用Dropout-DBN方法建立的棉涤混纺面料中各组分含量的分析模型,其棉、涤纶含量的预测集相关系数分别为0.9927和0.9903,预测集均方根误差分别为0.0792和0.0869。与其他建模方法相比,所建模型的精度和适应性显著提高,并有利于模型的传递与共享,提高了模型的智能化。

近红外光谱是一种快速、 无损的定量分析工具, 现如今已广泛的应用在各个行业中。 近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。 目前常用的定量分析方法大多为浅层模型, 深度信念网络(DBN)是一种基于概率的深层模型, 可以自动学习输入的有效特征表示, 且只要设置最后隐层输出节点数低于输入光谱维度, 在对光谱数据完成特征提取的同时即可实现降维。 对于近红外光谱样本量大、 变量多、 维度高等问题, 提出一种基于深度信念网络的近红外光谱建模方法, 定量分析物性浓度。 该方法以近红外光谱数据作为输入信号, 首先对多层受限玻尔兹曼机（RBM）进行无监督学习, 实现光谱自身特征的提取; 然后利用目标理化值对网络进行微调得到最优模型参数。 在建立DBN校正模型的基础下对其进行改进, 建立DBN-PLS校正模型。 通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型, 验证了DBN建模和DBN-PLS建模的可行性, 并引入决定系数（R2）和均方误差（MSE）两个模型评价指标, 对比分析了传统BP建模和DBN建模的精度。 分析结果表明, 相较于传统定量分析方法建模, 利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。

使用差分吸收光谱技术(Differential optical absorption spectroscopy, DOAS)进行工业在线气体检测,在气体浓度较低时,其光谱吸收不明显, 信噪比较低,通过传统方法来对工业气体浓度进行反演,预测结果难以满足工业应用具体要求。针对SO2气体的差分吸收光谱特点, 采用氚灯作为光源,采集189.73～644 nm波段内的标准浓度SO2的吸收光谱高维数据,选取吸收光谱数据并进行预处理,然后 利用训练集数据建立深度信念网络模型进行低维特征提取。在此基础上,利用训练数据的低维嵌入特征构建极限学习机反演模型, 实现SO2气体浓度计算,并对该模型进行了有效性测试,从而得到一种更加精确的SO2气体浓度在线检测方法。

针对智能手机面临的信息安全问题,研究了一种优化卷积深度信念网络的智能手机身份认证方法。先对采集的原始数据进行预处理,再引入稀疏自编码器进行预训练,预训练后的权重作为卷积深度信念网络模型的卷积核,选用逐层贪婪算法用于模型的正式训练;训练后,经均方根连接层对提取的特征进行整合,并利用监督学习算法调节均方根连接层与输出层之间的权重;最后,由Softmax分类器输出分类结果。该方法可直接处理高维手势数据,建立手势模型进行特征提取。仿真结果表明,与隐马尔科夫算法、深度信念网络算法相比,该方法可显著提高身份认证的准确率。

由于视频中的手工特征和主观情感之间的直接相关性很小, 识别视频序列中的面部表情是一项很有挑战性的任务, 为了克服这个缺陷, 有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络, 即空间卷积神经网络和时间卷积神经网络, 用于视频中的时空表情特征学习。其中, 空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征, 而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后, 将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合, 输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明, 该方法分别取得了71.06%和5218%的正确识别率, 明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。