为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题，提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中，原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后，分别提取原始信号和子信号的时频特征和近似熵特征，并利用主成分分析法对所提取的特征进行融合。最后，通过构建一个6层轻量反向传播（BP）神经网络分类器，训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%，对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式，所提方法的综合识别准确率分别提高了8.4%与9.0%，相似信号的识别准确率分别提高了13.5%与12.4%。结果表明，该方法在保证差异性大的信号的高识别准确率的基础上，显著提高了相似信号的识别准确率，对于拓展分布式光纤传感的应用范围有重要的价值。

交通标志检测是自动驾驶系统的一项重要功能，当前先进的交通标志检测器大多采用Anchor-Based网络模型，根据锚框遍历所有潜在的目标位置。为了减少锚框带来的计算开销和过多的超参数设置，提出了一种基于编码-解码结构的Anchor-Free交通标志检测算法。为了增加解码模块的特征表征能力，在解码模块中引入残差增强分支。为了高效地提取和利用多尺度特征，设计了特征融合子网络，提升对多尺度目标的检测能力，并使用Ghost轻量化模块提取多尺度特征图，不显著引进运算量。在Tsinghua-Tencent 100K数据集上进行验证，所提算法实现了92.5%的召回率和90.3%的准确率，模型的参数量和模型大小分别为1.61×10⁷和64.4 Mbit。实验结果表明，与主流目标检测算法相比，所提算法的检测精度较高，计算开销较低，在综合性能上具有优越性。

颜料的分类识别是古代壁画进行保护修复的基础，多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析。传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息，使得图像细节无法重建，导致分类图像边界不平滑。针对该问题，提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类。首先，在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息，避免池化操作所导致的部分特征丢失；其次，使用特征融合的方法融合不同尺度的特征图，增加多尺度特征的结构层次；最后，引入残差学习模块避免网络层数加深导致的梯度消失问题，重建完整的边缘信息。实验结果表明，所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了98.87%和96.89%，与各对照组相比，不仅具有更好的分类精度，而且得到了边界更清晰的分类图像。

针对室内场景下光照变化、物体相互遮挡以及类别复杂等问题,提出了一种基于双流加权Gabor卷积网络融合的彩色-深度(RGB-D)图像语义分割方法。为了获得方向和尺度不变性特征,设计了一种加权Gabor方向滤波器用于构建深度卷积网络(DCN),提取对方向和尺度变化具有适应性的特征信息。为了构建轻量级特征提取网络,采用宽残差-加权Gabor卷积网络分别提取彩色和深度双流图像特征,并利用金字塔池化模块对提取的深度特征进行多尺度融合以丰富图像上下文信息。对所提语义分割方法在NYUDv2数据集上进行实验,分别设置不同的对比方法。结果表明所提方法具有合理性和有效性,并在分割效果上具有一定的竞争性。