针对红外与可见光融合图像存在纹理细节不丰富、对比度较低及目标信息损失等问题，提出了一种基于特征优化和生成对抗网络的图像融合算法。首先，设计一种自适应特征优化模块以增强原始图像纹理细节及对比度；然后，为使融合图像保留更多的多模态信息，将生成对抗网络引入到融合框架中。在生成器模型中，考虑到红外与可见光图像成像机理差异，构建了双支路特征提取网络，并设计多尺度密集连接模块以提取异源图像丰富的特征信息；其次，在融合层构造通道和空间注意力模型以增强局部特征之间联系，减小融合图像中目标信息损失；最后，为使融合结果尽可能保留可见光纹理细节的同时又能够较好突出红外目标，构造了双判别器网络结构。为验证所提算法优势，在TNO数据集上进行实验，并与6种经典融合算法进行主观和客观比较。实验结果表明，所提算法无论在主观还是客观评价上均具有明显优势，生成的融合图像纹理细节更为丰富、边缘及目标更加清晰且具有更好的对比度，客观评价指标信息熵、空间频率、相关熵、视觉保真度和梯度信息分别提高了16.11%、65.46%、7.96%、42.67%和33.24%。

针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状，不同体位所拍摄的CT影像存在较大差异，骨折部位大小不一，以及受到出血部位以及周围组织的干扰，骨折部位的特征提取不充分、骨折部位检测精度不高的问题，设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块，利用密集连接特性提高网络的特征提取能力；采用局部全局注意力模块来提取CT影像的全局信息；构造一个轻量化的多尺度密集块，以较少的参数量提取骨折部位的多尺度特征；在特征增强网络中设计跨维度双向特征融合模块，使得特征图的高度、宽度以及通道之间有所交互，同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性，在自建数据集上进行消融实验和对比实验。实验结果表明，在置信度阈值取0.5时，3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%，99.06%，98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位，辅助医生制定治疗方案。

针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题，提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先，四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块，并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图，且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时，在不增加参数情况下使得所提取特征的多样性更加丰富。最后，对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明，所提算法在BSD100数据集上4倍超分辨率时，相比LatticeNet模型的PSNR指标提升了0.14 dB，SSIM提升了0.001，在主观视觉方面，重建出的图像局部纹理细节也更加清晰。

针对现有红外与可见光图像融合时，融合结果存在细节信息丢失、特征提取不足等问题，提出了一种多尺度密集连接注意力的红外与可见光图像融合深度学习网络模型。首先，设计多尺度卷积提取红外与可见光图像中不同尺度信息，增大感受野特征提取范围，克服了单一尺度特征提取不足的问题。然后，通过密集连接网络增强特征提取，并在编码子网络末端采用提出的可变形卷积注意力机制，密切联系全局上下文信息，增强对红外与可见光图像中重要特征信息的聚焦能力。最后，由全卷积层构成解码网络，重构生成融合图像。本文选取了六种图像融合客观评价指标，红外与可见光图像公开数据集融合实验结果表明：与其他8种方法相比，本文算法对比实验指标均有所提高，其中结构相似性（SSIM）、空间频率（SF）指标分别平均提高了0.26倍、0.45倍。所提方法的融合结果保留了更清晰的边缘及目标信息，具有更好的对比度和清晰度，在客观评价方面均优于对比方法。

为了去除高光谱图像采集过程中产生的噪声，提升后续图像处理的性能，提出了一种融合空谱-梯度特征的深度高光谱图像去噪方法。它包括空谱特征网络和梯度特征网络，且各网络使用密集跳跃连接和可分离卷积策略进行优化。空谱网络模型实现噪声特征的精确提取，梯度网络模型对噪声纹理特征进行补充，最后基于两个网络的特征提取结果进行融合，实现噪声特征的精准刻画，并用于恢复干净图像。分别在合成噪声图像和真实噪声图像上验证方法的有效性。实验结果表明，该方法在恢复图像内部结构上效果显著，在噪声标准差50的条件下去噪结果的平均信噪比达到29.426 dB，平均结构相似性达到0.967 8 dB，去噪结果使用支持向量机算法进行分类，分类精度达到90.89%。