针对单样本目标检测样本量较少的问题，提出了一种基于跨域学习的方法。该方法从数据增强的角度出发，增加其他域的数据集作为辅助，增强网络学习能力，同时为解决不同域间存在差异的问题，提出了一种基于图片尺度和实例尺度的跨域学习算法，分别对输入的图片特征与检测网络的候选特征增加域分类器模型，用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验，其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较，超过目前最好算法2.8个百分点，从而证明了本文方法可以有效提高单样本目标的检测性能。

随着人机交互、虚拟现实等相关领域的发展，人体姿态识别已经成为热门研究课题。由于人体属于非刚性模型，具有时变性的特点，导致识别的准确性和鲁棒性不理想。本文基于KinectV2体感摄像头采集的骨骼信息，结合人体角度和距离特征，提出了一种基于单样本学习的模型匹配方法。首先，通过对采集的骨骼信息进行特征提取，计算关节点向量夹角和关节点的位移并设定阈值，其次待测姿态与模板姿态进行匹配计算，满足阈值限定范围则识别成功。实验结果表明，该方法能够实时的检测和识别阈值限定范围内定义的人体姿态，提高了识别的准确性和鲁棒性。

针对单样本环境下传统人脸识别算法识别效果不佳的问题，提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像，将每幅纹理特征图像分解为4幅位平面图像，最后将8幅特征图像串联融合，使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明，该算法具有较高的识别率和较快的识别速度，对光照和表情等变化具有较好的稳健性。

In the real-world application of face recognition system, owing to the difficulties of collecting samples or storage space of systems, only one sample image per person is stored in the system, which is so-called one sample per person problem. Moreover, pose and illumination have impact on recognition performance. We propose a novel pose and illumination robust algorithm for face recognition with a single training image per person to solve the above limitations. Experimental results show that the proposed algorithm is an efficient and practical approach for face recognition.

针对单样本人脸识别问题,本文提出了一种基于单样本切割的子模块主成分分析方法.该方法将单样本人脸图片切割成大小相同、互不重叠的多个子模块,切割后的子模块集构成新的样本集.对所有子模块作主成分分析(PCA)并提取特征,同一人脸的子模块特征系数作为分类识别的依据.在ORL人脸库上的测试结果表明,同PCA,(PC)2A,Sub-pattern LDA相比,该方法具有更好的识别率.