针对大规模姿态变化和大角度人脸平面旋转(Rotation-in-Plane, RIP)等复杂条件下，多尺度旋转人脸检测精度低的问题，提出了一种基于汇聚级联卷积神经网络(Convolutional Neural Networks, CNN)的旋转人脸检测方法。采用由粗到精的级联策略，在主网络SSD的多个特征层上汇聚级联了多个浅层的卷积神经网络，逐步完成人脸/非人脸检测、人脸边界框位置更新和人脸RIP角度估计。该方法在Rotate FDDB和Rotate Sub-WIDER FACE数据集上取得了较好的检测效果。在Rotate Sub-WIDER FACE数据集出现100次误报时的检测精度为87.1%，速度为45 FPS，证明该方法可在低时间损耗下完成精确的旋转人脸检测。

基于由倾斜角余弦平方根表达的倾斜因子，在直角坐标系中分别给出适用于分析对称小平坦波面衍射源的衍射远场特性和适用于分析对称会聚波面衍射源的焦平面光场特性的非傍轴衍射积分公式。阐明上述两个非傍轴衍射积分公式的互易性及满足互易性的光场条件。结合透镜对光波波面法线的变迹功能，验证满足正弦条件的透镜物像共轭平面之间的小平坦波面光场尺度变换特性，并明确了尺度变换关系的适用条件。

基于局部二值模式的深度挖掘算法和多特征融合算法是提取铁路隧道漏缆卡扣特征的有效方法，但它们存在描述子表述性不强且特征维度过高的问题。提出分层连续梯度二值模式，能够实现卡扣轮廓特征的尺度变换并降低描述子的特征维度，提高故障卡扣图像的分类准确率。首先采用改进的中心对称局部二值模式和根据全局灰度均值获得的自适应阈值，计算采样圆域的梯度方向特征，得到完整的初步梯度方向特征图；然后在此特征图上进行两次连续的下采样迭代，并分别提取这两幅下采样特征图的连续梯度特征；最后，将这两层不同尺度的连续梯度特征串联作为描述子，用支持向量机完成漏缆卡扣图像的故障检测任务。实验结果表明，本文所提算法的召回率和精准度分别达到了0.923和0.857，相较于局部二值模式、中心对称局部二值模式、以及该系列的多种变体算法有明显的优势。

红外与可见光融合图像既具有红外的辐射信息又具有可见光的细节信息，在生产生活、**监视等场景得到广泛应用，已然成为图像融合领域的重点研究方向。根据图像融合方法的核心思想、融合框架、研究进展对基于多尺度变换、稀疏表示、神经网络等融合方法进行详细阐述对比，并综述了红外与可见光图像融合在各领域内的应用现状，以及常用的评价指标。并选择具有代表性的多种融合方法与评价指标，应用于六个不同场景，验证各方法的优势与不足。最后，实验分析并总结现有红外与可见光图像融合方法存在的问题，对红外与可见光图像融合技术的发展趋势进行展望。