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%。

成像设备在暗光照环境下会出现对比度不高、图像细节信息丢失、颜色失真等问题，这会对视频监控、智能交通、人脸识别等应用场景产生巨大干扰。为了解决这一问题，本文提出了一种融合了注意力机制的的复合残差网络来实现对低照度图像的增强。该算法首先通过色彩空间上的转换（RGB-HSV）将亮度分量V放入构造的神经网络中，然后神经网络通过融合了注意力机制的多分支结构进行图像浅层特征的提取，接着经过复合残差网络提取深层特征，再经过图像重建得到增强后的V分量，最后通过分量融合实现图像增强。实验结果表明，对比目前国内外主流低照度图像增强算法，所提算法在主观视觉上对图像亮度与对比度有显著提升，在PSNR、SSIM指标上与传统算法的对比结果分别提升了约20%和15%，与深度学习算法的对比结果分别提升约9%和3%，不论是在人工合成的低照度图像还是真实、自然低照度图像中均有良好表现，基本满足图像增强的颜色自然、对比度和鲁棒性高等要求。

深度估计是传统的计算机视觉任务，在理解三维场景中起着至关重要的作用。基于单目图像的深度估计任务的困难在于如何提取图像特征中大范围依赖的上下文信息，提出了自适应的上下文聚合网络（adaptive context aggregation network，ACANet）用于解决该问题。该方法基于有监督的自注意力模型(supervised self-attention，SSA)，能够自适应地学习任意像素之间的具有任务特性的相似性以模拟连续的上下文信息，并通过模型学习的注意力权重分布用来聚合提取的图像特征。将单目深度估计任务设计为像素级的多分类问题，经过设计的注意力损失函数减少RGB图像和深度图的语义不一致性，通过生成的像素级注意力权重对由位置索引的特征进行全局池化。最后提出一种软性有序推理算法（soft ordinal inference，SOI），充分利用网络的预测置信度，将离散的深度标签转化为平滑连续的深度图，并且提高了准确率（rmse下降了3%）。在公开的单目深度估计基准数据集NYU Depth V2上的实验结果表明：rmse指标为0.490，阈值指标为82.8%，取得了较好的结果，证明了本文提出的算法的优越性。

人脸关键点定位因受到表情、光照、姿态等的影响，常常会出现大的误差。为了准确地定位到人脸的关键点，提出了一种基于注意力模型的人脸关键点检测算法。先是利用可变型模型（DPM）算法检测出图片中的人脸区域，然后结合残差网络（ResNet）和收缩激励网络（SeNet）对该区域进行人脸关键点定位。实验结果表明，该算法在人脸数据集上获得了较高的准确率，证明了该算法的有效性。