针对医学超声图像的分辨率低而导致视觉效果差的问题，使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法，通过减少 2个输入通道和删除 1个残差块对该网络的结构进行更改，并且改进网络损失函数，新增模糊处理数据集，使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点，从而重建出放大 4倍的边缘清晰没有伪影的医学超声图像。将改进 SRGAN与原始 SRGAN的结果相比，峰值信噪比(PSNR)和结构相似性(SSIM)分别有 1.792 dB和 3.907%的提升; 与传统双立方插值的结果相比，PSNR和 SSIM分别有 2.172 dB和 8.732%的提升。

在公共安全、**等领域高分辨率热红外图像能够提供更多的场景细节信息, 有着广泛的应用需求,但高昂的设备成本限制了高分辨率红外图像的获取。为此设计了一种多级跳线深层残差卷积神经网络(DR-CNN), 通过软件超分辨的方法重构出高分辨率的红外图像。采用多级跳线双通道注意力残差块增加卷积深度以解决卷积层间缺乏关联性的问题; 使用Concat模块实现局部特征信息的融合, 利用反卷积层进行特征图像的上采样, 使其直接从低分辨率图像学习到高分辨率图像以降低训练的复杂度, 加快运行速度。所提算法与SRCNN, FSRCNN和ADSR等算法进行对比测试, 使用峰值信噪比(PSNR)和结构相似度(SSIM)作为算法的评价指标。实验结果表明提出的RD-CNN算法优于其他对比算法, 生成的高分辨率图像细节丰富且清晰。

现有的图像超分辨率重建算法大多具有极深的网络结构导致参数量过大，并且不能充分提取特征。为了解决以上问题，提出了一种基于增强型多尺度残差网络（EMSRN）的图像超分辨率重建算法。该网络主要由多个增强型多尺度残差块（EMSRB）组成，通过使用残差块和并行的多空洞率的空洞卷积组构建该模块的骨干结构，获取了图像的局部和全局多尺度特征的同时有效减小了网络参数量。在模块最后使用通道注意力机制自适应地对提取到的特征进行加权，使网络更多地关注高频信息。实验结果表明，比起基础的多尺度残差网络，所提算法将峰值信噪比（PSNR）提升了0.53 dB，结构相似性（SSIM）达到了0.9782。相比于增强型深度超分辨率网络，参数量仅为其31.7%，却取得了近似的重建表现。

针对图像拍摄过程中由于运动、抖动、电子干扰等产生的运动图像模糊问题, 提出一种基于深度残差生成对抗网络的运动图像去模糊算法。对图像模糊模型与盲去模糊过程进行了研究, 介绍了生成对抗网络, 改进了残差块的结构。改进的残差块包含3个卷积层, 两个ReLU激活函数, 一个Dropout层以及一个跳跃连接块, 提升了复原图像的质量。改进了PatchGAN的结构, 在只增加少量参数与网络复杂性的情况下, 将最底层感受野变为原先的两倍以上。利用GOPRO数据集和Lai数据集进行测试, 测试结果表明, 本文提出的基于深度残差生成对抗网络的去模糊算法复原图像可达到较高的客观评价指标, 可以恢复出较高质量的清晰图像。在GOPRO数据集上, 相比于其他同类方法, 本文提出的算法具有较好的复原能力, 可达到更高的峰值信噪比（28.31 dB）和较高的结构相似度（0.831 7）; 而在Lai数据集上, 可以恢复出较高质量的图像。

视网膜血管分割是检测多种眼病的重要手段,在视网膜疾病自动筛查系统中发挥重要作用。针对现存方法对细小血管分割不足且易出现病理误分割的问题,提出了一种基于多尺度注意力解析网络的分割算法。该网络以编码-解码架构为基础,在子模块中引入注意力残差块,加强了特征传播能力,降低了光照不均、对比度低对模型的影响;在编码器和解码器之间增加跳跃连接并去掉传统池化层,以保留足够的血管细节信息;运用并行多分支结构和空间金字塔池化两种多尺度特征融合方法,实现不同感受野下的特征提取,提升血管分割性能。实验结果表明,该方法在CHASEDB1和STARE标准集上的F₁值分别达到了83.26%和82.56%,灵敏度分别达到了83.51%和81.20%,其性能优于当前主流方法。

为解决在行为异常检测中遇到的运动模糊问题，提出一种基于DeblurGAN改进的快速去运动模糊算法。使用3个3×3的卷积替换原生成器中的7×7的卷积，并舍弃原算法上采样时使用的转置卷积，对需要上采样的特征图进行双线性插值。将原算法生成器结构中的残差单元替换成密集残差块(RRDB)，然后将得到的残差特征缩放到0~1之间的值，避免训练不稳定。在原生成器的损失函数中添加梯度图像的L1损失，增加图像的边缘信息使重建后的图像边缘更明显，克服了DeblurGAN重建图像边缘细节不够清晰的缺陷。经实验验证，并和文献[14]、文献[18]进行比较，结果显示：优化后的模型与DeblurGAN相比，峰值信噪比提高0.94，结构相似度和速度相当，并解决了重建后图像棋盘格子的问题，细节边缘更加突出，模型性能优于相关算法。

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

针对相衬显微镜采集的细胞图像具有亮度不均衡且细胞与背景对比度较低的问题,提出一种以U-Net为基本框架,结合残差块和注意力机制的细胞分割模型。首先,利用具有编码器-解码器结构的U-Net对细胞图像进行细胞初始分割;然后,在U-Net中引入残差块,以强化特征的传播能力,提取更多细胞细节信息;最后,利用注意力机制加重细胞区域的权重,降低亮度不均衡、对比度较低对模型的干扰。实验结果表明,与其他模型相比,所提模型在视觉效果和客观评价指标上均有较好的分割效果。

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题, 对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先, 在特征提取网络中增加2步长的卷积层, 代替原网络中的最大池化层进行下采样; 接着, 使用深度可分离卷积构造反残差块替换传统卷积, 降低模型尺寸和参数量, 增加高维特征提取; 然后, 在原网络两尺度预测的基础上增加一尺度, 形成三尺度预测; 最后, 对损失函数中的边界框位置误差项进行优化。实验结果表明, 改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%, 满足实时性要求, 具有一定鲁棒性。本文方法能够更好地提取目标特征, 多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。