针对传统ViBe算法在复杂背景下检测运动目标时会出现鬼影、阴影、误检等问题，提出了一种改进的ViBe运动目标检测算法，称为GS-ViBe算法。在GS-ViBe背景模型初始化阶段，利用最大后验估计法确定每个像素点的最佳高斯分布数目，使其形成多帧融合背景来代替ViBe的单帧背景初始化方法，从而消除鬼影；在GS-ViBe前景检测阶段，增加多特征融合阴影检测过程，并将其检测结果和ViBe前景目标融合，得到消除阴影后的前景目标；最后，在GS-ViBe背景模型更新阶段，引入动态更新因子代替固定更新因子，使得背景可以自适应更新，从而降低目标的误检率。在多种复杂背景下与传统ViBe算法对比发现，GS-ViBe算法召回率提高了37.74%，准确率平均提高了19.83%，误检率平均降低了52.57%，表明GS-ViBe算法可以有效消除鬼影、阴影、误检的干扰，获取到完整的前景目标。

针对基于单一几何特征的文物碎片匹配方法的精度不高的问题，提出一种基于多特征参数融合的文物碎片自动匹配方法。首先，采用分割算法提取文物碎片的断裂面，并计算断裂面上点的四个特征参数：点到邻域点的平均距离、点到邻域重心的距离、曲率以及邻域法向夹角平均值；然后，融合四个特征参数得到特征判别参数，并通过判断特征判别参数值提取出特征点集；最后，采用基于尺度因子的迭代最近点（Iterative Closest Point， ICP）算法对特征点集进行匹配，从而实现文物碎片的断裂面匹配。实验采用兵马俑碎片的点云数据模型来验证该基于多特征参数融合的文物碎片匹配方法，结果表明该匹配方法可以克服基于单一几何特征匹配方法的精度不够高的问题，比已有算法的匹配精度提高15%以上，时间效率提高20%以上。因此说，该基于多特征参数融合的匹配方法是一种有效的文物碎片匹配方法。

视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要，但该病灶尺寸相对较小，属于眼底图像中的微小目标，现有的微动脉瘤检测算法难以实现该病灶的精准检测，为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上，首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用；然后，通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差；最后，通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化，从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题，进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测，将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试，并与其他方法进行对比。实验结果表明，与其他各种结构的Faster-RCNN网络模型相比，所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果（F-score与原始Faster-RCNN相比提升了9.36%）；与其他网络模型以及方法相比，所提出的基于多特征尺度融合的改进Faster-RCNN的自动检测精度明显更优。故所提出的基于多特征尺度融合的改进Faster-RCNN算法性能较优，能准确、有效地检测出眼底图像中的微动脉瘤。

针对红外图像目标分类问题，提出了结合多特征融合和极限学习机（extreme learning machine，ELM）的方法。采用主成分分析（principal component analysis，PCA）、局部二值模式（local binary pattern，LBP）以及尺度不变特征变换（scale-invariant feature transform，SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性，因此具有互为补充的优势。在此基础上，基于多重集典型相关分析（multiset canonical correlations analysis，MCCA）对三类特征进行融合处理，获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性，还有效去除了冗余信息。分类过程中，采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点，有利于提高红外目标分类的整体性能。因此，所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中，采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比，实验结果证明了提出方法的性能优势。