针对目前图像超分辨率重建算法在提取图像信息时过于单一地累加卷积层导致的深层网络梯度消失和图像信息丢失的问题, 提出了一种基于多尺度与残差网络的图像超分辨率重建算法。该算法使用多尺度密集连接的卷积核代替单一累加的卷积核, 充分提取输入低分辨率图像信息并实现通道特征维度的复用; 利用残差网络, 多层次地对丢失图像信息进行补充并对深层网络模型的梯度问题实现了抑制, 在反向传播的过程中帮助全网络模型自适应地完成对权重更新; 最后以非线性映射的方式输出最终重建图像。实验表明, 所提算法在测试集上的峰值信噪比和结构相似性与对比算法相比均有所提升; 在与目前主流算法对比中获得了细节信息更加丰富、边缘纹理更加清晰的重建图像。

超快激光脉冲形状宽度测量的核心是光谱相位的精确测量。本文提出了一种结合深度学习的自参考光谱干涉(SRSI)方法，并用该方法进行了飞秒脉冲相位的测量。该方法基于针对一维信号的Dense-1D-U-Net神经网络，采用经典的编码-解码网络结构并加入稠密连接和跳跃连接来提高网络的性能。结合SRSI法的特点，本文设计出结合了稠密连接块的Dense-1D-U-Net神经网络。基于大量接近真实光谱相位的模拟光谱相位数据可以发现，基于Dense-1D-U-Net的SRSI算法的计算结果的均方根误差相比传统SRSI算法至少降低一个数量级。与有无稠密连接、跳跃连接的对照组神经网络进行对比，分析了Dense-1D-U-Net的优势。最后用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有计算实验数据的能力。Dense-1D-U-Net神经网络未来可以拓展应用到超快光谱等其他一维信息研究领域。

近年来，基于深度学习的高光谱图像（HSI）分类研究引起了各领域的广泛关注。HSI光谱波段数多、信息冗余度高、计算复杂，出现训练样本不足的问题，容易导致模型训练过拟合，影响分类精度。为了提高分类精度并减少训练时间，提出一种基于三维卷积神经网络（3D-CNN）并结合双分支双注意力机制的快速密集连接网络，用于HSI的分类。首先利用主成分分析（PCA）对原始数据进行降维，减少冗余信息，然后采用双分支密集连接结构，并结合快速傅里叶变换（FFT）的双分支高效通道注意力（ECA）机制，同时增加了一个FFT层，既保证了模型的分类精度，也加快了模型的训练速度。在多个公共高光谱数据集上对方法进行实验验证，性能评估指标采用总体分类精度（OA），平均分类精度（AA）和Kappa系数。实验结果表明，所提方法在提高分类精度的同时，显著减少了训练时间和测试时间。

针对现有的图像超分辨率重建算法仍存在细节上处理不足的问题，提出一种基于改进增强型超分辨率生成对抗网络（ESRGAN）的图像超分辨率重建算法。首先，使用多尺度密集连接模块（MDB）代替密集连接模块（DB），并且在MDB后添加通道注意力机制，以调整不同通道的特征响应值，从而改进了ESRGAN的生成网络模型中的深层信息提取模块。其次，通过改进ESRGAN模型中的浅层特征提取模块提取低分辨率图像的原始特征，并通过深层信息提取模块提取低分辨率图像的深度残差特征，将原始特征和深度残差特征以对应元素相加的方式融合。最后，利用重建模块完成图像超分辨率重建。在Set5、Set14和BSD100数据集上进行2倍和4倍超分辨率重建测试，并对所提算法与Bicubic、FSRCNN、ESRGAN方法进行对比。结果显示，所提算法获得的重建图像边缘更加清晰，能够提供相对较多的细节，大大提升了图像的视觉效果。在客观质量评价方面，所提算法2倍超分辨重建后图像的峰值信噪比（PSNR）平均值相比ESRGAN提高了0.467 dB，结构相似性（SSIM）平均值提高了0.005；4倍超分辨重建后图像的PSNR平均值相比ESRGAN提高了0.438 dB，SSIM平均值提高了0.015。

针对高光谱图像维度高、训练样本少以及训练带来的过拟合、参数过多问题，提出了一种基于改进密集连接网络（DenseNet）和空谱注意力机制网络（MDSSAN）的高光谱图像分类方法。首先，对高光谱图像进行主成分分析，并将中心像素的空间邻域输入改进的网络模型中。然后，对三维DenseNet进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积。最后，在空间维上引入空间注意力机制，在光谱维上引入通道注意力机制，以减少模型的训练参数，提取更具判别力的空谱联合特征。实验结果表明，MDSSAN模型在Indian Pines、Pavia University和KSC数据集上的总体分类精度分别为99.43%、99.74%、98.98%，相比其他对比模型，该模型的收敛速度更快，分类性能更好。

针对目前算法对遥感图像中背景复杂、目标小而密集的复杂场景下的目标检测精度低的问题,提出了一种基于YOLOv3的改进算法,在YOLOv3的基础上,结合了密集连接网络,利用密集连接块来提取深层特征,增强特征传播,同时引入Distance-IoU(DIoU) loss作为坐标预测的损失函数,使边界框的定位更加准确,此外针对目标间相互遮挡的情况,改进了传统的非极大值抑制算法,使用DIoU代替IoU来克服虚假抑制的问题。对所提算法在三个经典的遥感数据集上进行了测试,实验结果证明,所提方法具有更高的检测精度。

为了克服传统肝脏肿瘤分割网络下采样带来的细节信息丢失问题,同时提取丰富的多尺度信息,提出了一种基于堆叠树形聚合结构空洞卷积的肝脏肿瘤分割算法。首先,在编码器网络中提出了残差密集模块;然后,在编码器-解码器网络中加入树形聚合结构的空洞卷积模块,有效消除了普通空洞卷积带来的棋盘伪影现象,提高了分割精度。最后,用加权的损失函数解决了图像中前景和背景不平衡的问题。实验结果表明,本算法在电子计算机断层扫描图像数据集上的Dice相似度系数、像素正确率和交并比分别为0.8026、0.7974和0.7317。

传统的基于CNN的方法在对低分辨率图像进行重构处理过程中, 并未将图像中的低频结构信息和高频细节信息进行区别处理, 且网络的层与层之间缺乏信息交流, 从而造成高分辨率重建图像结果中出现信息缺失。为获取更多图像各层次特征的结构与细节信息, 本文构建了基于小波域的残差密集网络(WRDSR)。该网络在二维离散小波变换形成的小波域内, 利用密集连接和残差连接对图像不同频率的信息进行充分提取后, 将融合后的特征输入到亚像素卷积层生成高分辨率图像的小波子带图像, 最后通过二维离散小波逆变换生成高分辨率图像。与Bicubic、SRCNN、VDSR、LapSRN、DWSR、SDSR等算法相比, WRDSR在评价指标PSNR/SSIM上平均提高了2.824 dB/0.059 5、0.747 dB/0.016 8、0.016 dB/0.002 4、0.025 dB/0.004 3、0.21 dB/0.004 7和0.20 dB/0.005 7, 在更高效地利用原始图像信息的同时, 解决了信息缺失的问题, 使得重建图像的纹理更清晰, 细节更丰富, 视觉效果更佳。

针对遥感图像中舰船目标的检测, 提出了一种基于YOLO-v3改进的实时遥感舰船目标检测方法。通过引入空间金字塔池化结构, 结合密集连接和Inception结构实现降维过渡模块等方法增强了网络特征信息的提取, 重新替换骨干网络的连接结构和优化多尺度特征融合检测设计出新的网络结构, 减少了参数量, 加强了特征传递, 最终实现了优于原方法的效果。使用空客公司在Kaggle比赛提供的遥感图像数据集做试验对比, 该算法平均检测精确度达到84%, 相较于原算法精确度提高了约4%, 速度达到23 帧/s。