现在大多数基于图卷积的点云语义分割方法忽略了边构建的重要性，不能充分地表示局部区域的特征。基于此，提出一种结合注意力机制的边增强的图卷积网络（AE-GCN）。首先，将邻居点特征加入边中，而不仅仅是中心点与邻居点的特征差异；其次，加入注意力机制保证点云的局部信息得到更充分的利用；最后，采用U-Shape的分割结构，确保网络更好适应点云的语义分割这一任务。在两个公开数据集Toronto_3D和S3DIS上的实验结果表明，与目前的大多数方法相比，AE-GCN取得了具有竞争力的结果：在Toronto_3D数据集的平均交并比为80.3%，总体准确度为97.1%；在S3DIS数据集的平均交并比为68.0%，总体准确度为87.2%。

针对轨道扣件表面结构复杂导致的线结构光照射分布不均匀问题，研究了一种基于改进灰度重心法的光条中心线提取方法，精准重构了轨道扣件点云模型。基于点云模型提取了轨道扣件的结构特征信息，建立了轨道扣件缺陷检测组合分类器模型，实现了轨道扣件的弹条缺失、扣件歪斜、螺母缺失等缺陷检测。研究了基于表面法向量的螺母上平面解析方法，通过螺母松动测量实验实现了轨道扣件的松动检测。搭建了扣件故障诊断实验平台并开展了相关实验研究，实验结果表明，系统扣件故障检出率达到96%，扣件松紧度测量的总体误差低于0.2 mm，扣件故障诊断系统的检测效果和鲁棒性较好，对列车安全运行具有重要的现实意义。

残余灰度场是变形前后数字体图像中对应体素点的灰度之差。在基于有限单元的全局数字体图像相关（DVC）方法中，残余灰度场作为计算区域各体素点匹配质量的目标函数，可直接计算获得，并可用于材料内部损伤演化或裂纹扩展的精细表征。然而，当前广泛使用的基于图像子体块的局部DVC只能获得计算区域内各离散计算点的位移、应变和相关系数信息，无法直接计算区域内各体素点的残余灰度。相较于相关系数和变形信息，残余灰度场可实现逐体素的匹配质量评价，在内部损伤或裂纹扩展的可视化观测和准确定位方面具有显著优势。为能在局部DVC中获得残余灰度场信息，提出一种简单有效的残余灰度场计算方法。该方法基于三维Delaunay四面体剖分算法，并利用有限元框架对局部DVC离散计算结果进行稠密插值，以获取逐体素连续位移场，并将其用于变形体图像校正。模拟和真实实验结果表明，基于局部DVC测量结果后处理计算获得的残余灰度场不仅可以实现精准的损伤定位，还能观测到裂纹形貌以及界面脱黏行为。所提方法弥补了当前局部DVC在精细化匹配质量评价方面的不足，有望拓展该方法在材料和结构内部损伤观测和定位中的应用。

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

针对熟练伪造签名识别正确率较低的问题, 提出了基于笔划三维深度特征的个人签名识别方案。首先采集不同书写者的真实签名及他人的套摹签名, 用高精度的体式显微镜分别对签名笔划进行扫描, 获取签名笔划的表面三维点云数据。然后通过高斯滤波器滤掉三维点云数据中的噪声, 计算签名笔划的平均深度、沿笔划方向深度标准差以及熵等统计特征。之后, 对数据集进行数据增强, 增加签名数据的数量。最后, 将签名数据分为训练集和测试集, 在不同训练比例下使用分类器(包括SVM、KNN、ANN)进行分类。实验结果显示, 本文算法在本地签名数据集上的最佳识别正确率为9869%, 优于大多数传统算法, 满足实际应用的要求。

针对三维纤维微观结构方向检测的不足,提出一种基于facet模型的三维纤维方向检测方法。该方法将三维纤维方向检测转换为二维平面检测,能够降低计算的复杂度,通过facet模型实现了不同直径纤维方向的精确检测,模型窗口尺寸略大于纤维直径时能达到最优结果。实验结果表明,所提方法可快速准确地获取不同直径的三维纤维方向数据,优于现有的典型算法。

近年来对图像处理的研究已从二维(2D)向三维(3D)及更高维方向发展。但对3D图像分割的研究目前尚不够深入，仍以基于2D图像的分割方法为主。提出了一种可有效利用空间信息的3D图像自适应分割方法：先进行层间插值、空间子块的边缘与非边缘模式分类；并对非边缘模式子块进行基于矢量量化的分割，同时设计出一种最优码本求取方法来自适应确定分割的数目；再对边缘模式子块根据非边缘模式子块的分割结果进行逐点检测和划分。文中利用IBSR医学图像库的仿真人脑数据和实际人脑核磁共振成像(MRI)样本进行实验，验证了该方法的有效性。同时通过对同一病患不同时期的MRI数据样本进行实验，得到了诸如不同时间病灶部位的体积变化情况等十分有价值的临床医学信息。