为了有效去除高光谱图像中噪声带来的干扰，提升图像质量，在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先，将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵，在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵，对核心矩阵添加L2,1范数最小化约束；其次，对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束；最后，将低秩矩阵的三因子分解和全局组稀疏正则化结合，可以充分挖掘图像的局部低秩和稀疏的先验信息，并去除各种混合噪声。在三个数据集上与五种经典模型相比，该模型的各项评价指标更高，去噪图像保留了更多细节信息，去噪效果更好。

针对压缩光谱成像的图像重建问题，提出了一种基于非局部稀疏表示与双相机系统的压缩光谱重建方法。首先，利用RGB观测来构建一种三维图像块，使用K均值聚类对图像块进行分类，并以聚类结果来指导目标高光谱图像的光谱块分类，通过主成分分析获取每个簇的特征用来稀疏表示其他光谱块。然后用构建的三维图像块估计目标光谱图像非局部相似性，并构建目标函数。最后，通过迭代收缩算法与共轭梯度下降法来交替优化目标函数完成重建。仿真和实拍结果表明，所提方法能大幅提升重建质量与精度，在空间和光谱维度上重建误差更小，RGB观测辅助字典学习与相似块估计的方法能有效提升双相机系统的计算效率。

针对现有神经架构搜索算法自动搜索到的网络架构与评估的网络架构之间存在较大差异的问题，提出了基于投票机制的神经架构搜索算法。首先，利用小批量训练数据上测试的训练损失作为性能估计器对候选网络进行采样，将计算资源集中于潜在的性能表现良好的候选网络架构，以解决均匀采样忽略了各网络架构之间重要性程度的问题；其次，对于各节点中候选操作难以选择的问题，利用组稀疏正则化策略对所有候选操作进行排名，以筛选出合适的候选操作，进一步提高Cell结构中路径选择的准确性；最后，将可微架构搜索策略、噪声策略和组稀疏正则化策略加以融合，以加权投票的方法选择出最优的Cell结构，构建出性能优秀的三维模型识别与分类网络架构。在数据集ModelNet40上的实验结果表明，所构建的网络对三维模型的分类准确率达到了93.9%，优于目前的主流算法。本算法有效缩小了搜索和评估阶段网络架构之间的差异，解决了以往神经架构搜索方法中均匀采样所导致的网络训练效率低的问题。