针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题，提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先，使用主成分分析对高光谱数据进行降维处理；接着，利用邻域提取将邻域内的像素点作为一个样本，补充相应的空间信息；然后，使用多尺度混合卷积网络对预处理后的样本数据进行特征提取，并加入混合域注意力机制来加强空间和光谱维中有用的信息；最后，使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验，其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息，与其他分类方法相比取得了更好的分类效果。

针对基于人体骨架序列的动作识别存在的特征提取不充分、不全面及识别准确率不高的问题，本文提出了基于多分支特征和多尺度时空特征的动作识别模型。首先，利用多种算法的结合对原始数据进行了特征增强；其次，将多分支的特征输入形式改进为多分支的融合特征信息并分别输入到网络中，经过一定深度的网络模块后融合在一起；然后，构建多尺度的时空卷积模块作为网络的基本模块，用来提取多尺度的时空特征；最后，构建整体网络模型输出动作类别。实验结果表明，在NTU RGB-D 60数据集的两种划分标准Cross-subject和Cross-view上的识别准确率分别为89.6%和95.1%，在NTU RGB-D 120数据集的两种划分标准Cross-subject和Cross-setup上的识别准确率分别为84.1%和86.0%。与其他算法相对比，本文算法提取到了更为多样化、多尺度的动作特征，动作类别的识别准确率有一定的提升。

本文提出了一种鲁棒的基于多尺度特征融合的遥感图像小目标检测方法。考虑到常用的特征提取网络参数量庞大，过多的下采样可能导致小目标消失，同时基于自然图像的预训练模型直接应用到遥感图像中可能存在特征鸿沟。因此，根据数据集中所有目标尺寸的分布情况(即：先验知识)，首先提出了一种基于动态选择机制的轻量化特征提取模块，它允许每个神经元依据目标的不同尺度自适应地分配用于检测的感受野大小并快速从头训练模型。其次，不同尺度特征所反应的信息量各不相同且各有侧重，因此提出了基于自适应特征加权融合的FPN (feature pyramid networks)模块，它利用分组卷积的方式对所有特征通道分组且组间互不影响，从而增加图像特征表达的准确性。另外，深度学习需要大量数据驱动，由于遥感小目标数据集匮乏，自建了一个遥感飞机小目标数据集，并对DOTA数据集中的飞机和小汽车目标做处理，使其尺寸分布满足小目标检测的任务。实验结果表明，与大多数主流检测方法对比，本文方法在DOTA和自建数据集上取得了更好的结果。

多聚焦图像融合技术是为了突破传统相机景深的限制，将焦点不同的多幅图像合成一幅全聚焦图像，以获得更加全面的信息。以往基于空间域和基于变换域的方法，需要手动进行活动水平的测量和融合规则的设计，较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分，提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图，然后对焦点图进行后处理，最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明，本文方法融合而成的全聚焦图像清晰度高，保有细节丰富且失真度小，主、客观评价结果均优于其他方法。