以药品为研究对象，利用太赫兹时域光谱系统对3种不同药品进行测量并提取折射率、介电常数和物质因子等多个特征参数，然后联合多个特征参数作为输入，采用后向传播(BP)神经网络、支持向量机(SVM)和学习矢量化(LVQ)3种机器学习方法分别对药品进行多特征联合检测分类识别。实验结果表明，多特征联合检测方法识别准确率能够达到95%以上，有效提高药品的检测分类准确度，可用于药品的检测和分类识别。

为了构建鲁棒的背景模型和提高前景目标检测的准确性，综合考虑视频图像在同一位置上像素点的时间相关性和邻域像素的空间相关性，本文提出一种基于多特征融合的背景建模方法，用单帧图像中像素的邻域相关性快速建立初始背景模型，利用视频图像序列像素值、频数、更新时间和自适应敏感度更新背景模型，有效改善了ghost 现象，减少运动目标的孔洞和假前景。通过多组数据测试，表明本算法提高了对动态背景、复杂背景的适应性和鲁棒性。

针对复杂背景的视频图像多目标跟踪遮挡问题，提出了一种多特征融合匹配的多目标跟踪方法。基于自适应高斯混合背景模型重构和更新背景策略，实现当前帧背景减除和多目标检测；采用目标的颜色特征、质心位置、运动速度等特征进行融合匹配跟踪；最后，通过区域辅助判定策略将场景下的目标状态分为目标进入场景、目标退出场景、目标暂消、目标重现、目标融合和分裂5种状态，用质心预测方法和遮挡因子辅助匹配来提高匹配正确率。仿真实验结果表明：采用该方法跟踪同一目标和不同目标的相似度平均值分别为0949 71和0505 73，优于单一颜色特征信息匹配；目标遮挡结束后重新匹配相似度为0972 83，实现了复杂背景下具有表面相似性的多目标实时跟踪。