目前已有的基于深度学习的点云分割方法比较关注点云全局或局部特征的提取，忽略了点云的形状信息及点间语义特征的提取。针对已有方法的不足，提出一种基于空间注意力机制的多特征融合动态图卷积神经网络。首先，在提取点云局部边缘几何特征的基础上，将点云的低维几何特征映射到高维特征空间，以获取点云丰富的形状信息，并利用多层感知机提取点的全局高维特征。然后，引入一种空间注意力机制，提取点间的语义特征。最后，将几何形状特征与高层语义特征进行有效的融合，丰富点云的全局、局部特征表征。在多个公开数据集上对所提网络模型进行了实验，实验结果表明，所提网络模型在目标分类、部件分割、语义分割任务中，均取得了较好的性能。

为提高图像在数据集中的检索准确度，设计了基于加权距离与多元极谐变换的图像检索算法。在查询图像的色调－饱和度－亮度(HSV)空间内，提取其颜色特征；并引入贝塞尔K分布与非下采样Shearlet变换(NSST)方法得到查询图像的纹理特征，改善其对模糊与亮度变换等操作的稳健性；借助四元极谐变换(QPHT)机制，将图像的QPHT模系数视为形状特征，提高对噪声与几何变换的鲁棒性。通过融合这3种特征，分别计算查询图像与数据库图像之间对应的特征距离，并赋予三者对应的权重，以测量两幅图像之间的相似度，从而准确输出检索结果。测试数据显示，与当前基于内容的图像检索技术相比，所提算法具备更高的检索准确度和鲁棒性，在多种几何变换攻击下，仍可以准确检索出目标。

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。

针对工业生产中泄漏气体导致的爆炸和火灾问题，提出一种基于形状和SVM分类的红外图像泄漏气体检测方法。采用泄漏气体和干扰物红外图像样本的形状特征训练SVM分类器，通过对红外图像序列采用基于背景差分的运动检测得到候选目标区域，再对候选目标区域提取其形状特征，最后使用SVM分类器进行判别，从而得到最终的检测结果。使用乙烯气体泄漏仿真数据进行实验，检测率最高可达98%，结果表明，采用该方法可以有效检测泄漏气体，相比其他方法，极大地减少了干扰物造成的误检。

基于机器学习的思想并充分利用外观信息，提出一种在线选择纹理和形状特征的混合随机朴素贝叶斯视觉跟踪器。构造归一化空间金字塔，通过强度二值特征和金字塔梯度方向直方图二值特征，描述全局与局部区域的纹理和形状；并根据特征描述的二值性和多模性，设计并实现了在线混合朴素贝叶斯分类器。分类器预测类别后验概率生成信任图，跟踪器通过分析信任图实现目标跟踪，并利用极大似然估计和交叉验证实现外观学习和特征选择。选用基准测试集比较同类方法，从性能和复杂度两方面评估了跟踪器。实验结果表明跟踪器对光照变化，部分遮挡等情况具有一定的适应能力，且执行速度较快，存储空间较小。

当目标尺度发生变化时，传统均值漂移跟踪因窗口尺寸不变导致跟踪目标丢失.为解决该问题，提出一种带宽自适应的均值漂移跟踪算法.该算法在均值漂移框架下提取目标的形状特征，根据目标形状变化自适应的修正核函数带宽，并更新目标模板.实验结果表明，改进算法能很好地适应尺寸变化的目标，能有效提高红外目标的跟踪准确度.

针对高光谱图像中目标形状特征已知,背景和目标光谱特征未知时的多类小目标检测问题,给出一种检测算法.通过高光谱图像数据样本二次型的高阶矩控制点扩散函数,获取自适应结构化背景;然后,利用目标形状先验信息构造形状特征子空间,在高维光谱特征空间实现形状特征子空间匹配检测.理论分析和实验结果表明该检测器可同时有效检测具有不同形状特征的多类目标.

在厚度为0.3-2.0mm的5Cr4Mo3SiMnVAl(012Al)模具钢和Cr12MoV模具钢薄板上,采用脉冲Nd:YAG激光进行了激光熔凝实验,研究了工艺参数(脉冲宽度和脉冲频率)、材质和材料厚度对激光熔凝后熔凝层几何形状特征的影响,并用一维解析模型进行了熔化深度的计算.结果表明:随着脉冲宽度的增加或脉冲频率的减少,激光熔凝区的宽度和深度增加;Cr12MoV模具钢的激光熔化区宽度和深度比012Al模具钢的大;随着材料厚度的增加,激光熔凝区的宽度增加,深度减小;用一维温度场解析模型进行熔化深度的计算是有效??激光熔凝工艺参数、材料的热扩散情况和材料的热物性参数的不同是造成上述现象的主要原因.

研究了红外目标与诱饵在扩展源阶段成像特性上的差异,提出了依据目标和诱饵在整体运动模式上的差异进行辨识的方法,并依据图像序列中目标整体形状特征的变化来定性推断加速度、旋转、翻滚等目标整体运动特性,作为识别目标与诱饵的特征,最后给出了仿真试验结果.

提出了一种基于多层前馈神经网络的二维不变性目标识别方法。利用傅里叶描述器提取具有旋转、平移及尺度不变性的目标形状特征。由于所识别的工业工具具有一个自由度,它们的形状有一定的动态变化范围,导致同一目标的形状特征矢量的不唯一性。文中采用含有两个隐层的多层前馈网络学习及识别这些特征矢量。在实验中,对四类机械工具进行测试,并将所提出方法与最近邻分类器进行比较。结果表明,具有反向传播(BP)学习算法的多层前馈网络对噪音和形状特征变化具有鲁棒性,且它还能判断未训练样本。