针对现有血管内超声(IVUS)图像分割网络不能保证分割结果之间的拓扑关系符合医学先验知识，影响后续临床参数计算的问题，提出了一种基于极坐标建模和密集距离回归网络的IVUS图像分割方法。首先通过极坐标建模将含有先验知识的二维掩膜编码为一维距离向量；然后构建一个结合残差网络和语义嵌入模块的密集距离回归网络，用于学习IVUS图像和一维距离向量之间的映射关系。同时提出联合损失函数约束网络的学习方向。预测结果最终通过样条曲线拟合被重建为二维掩模。实验结果表明，所提方法在血管、管腔和斑块区域的分割结果拓扑关系100%符合先验知识，Jaccard测量值分别达到0.89、0.87和0.74。该算法适用于一般的IVUS图像分割，分割结果中血管结构定位准确，拓扑关系正确，可提供可靠的临床参数。

针对空间目标检测跟踪中可能存在大量伴飞干扰的问题，提出了一种基于密集多目标运动分组的空间目标快速检测跟踪方法。首先，在传感器分辨率允许的范围内，通过稀疏光流提取目标群体内个体的运动信息，然后利用母函数正则化来整合运动路径之间的相似性，以“集体合并”的思路，从密集随机运动中检测有序群集运动，在空间上将群目标划分为若干个具有相似运动模式的稀疏群组，并以稀疏群组间的拓扑关系构建图模型，筛选出目标群中的疑似目标，最后利用帧间相关性抑制虚警。仿真实验结果表明：对于空间中不同群目标分布场景，该方法具有良好的鲁棒性和实时性。