鉴于国内野生菌中毒事件频发，拟采用深度学习技术来解决这一社会问题。但由于野生菌图像的类间差异较小，图像背景复杂，细粒度识别精度较低。针对这一问题，提出了一种改进的ResNeXt50网络。首先设计了一种多尺度特征引导（MSFG）模块，通过短连接引导网络充分学习和利用低级特征与高级特征；接着采用改进的注意力机制模块来减少网络对复杂背景的学习；最后对模型中的不同层级特征进行融合，利用得到的联合特征进行识别。实验结果表明，所提改进模型在测试集上的准确率可以达到96.47%，较未改进的ResNeXt50网络，在准确率上提升了2.64个百分点。对比结果显示，相较VGG19、DenseNet121、Inception_v3、ResNet50、ShuffleNet_v2这5个网络模型，所提改进模型在准确率上分别提升了8.10个百分点、5.13个百分点、3.24个百分点、3.30个百分点、4.25个百分点。

针对利用机载光电平台进行“空对空”目标跟踪时, 跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题, 在传统CamShift算法的基础上, 提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板, 提高了模型的描述能力; 跟踪过程中引入特征模板动态更新环节, 保证了算法的长期稳定性; 在全遮挡的情况下, 利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型, 并采用二次遮挡判断方法, 大大降低了误判和丢帧概率。实验结果表明, 所提算法具有较高的准确性、实时性与稳定性。