针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题，提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先，采用一个卷积层进行浅层特征提取；其次，设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块，用于消除图像模糊并提取上下文信息；再次，采用一个基于扩张卷积的成对连接模块进行细节恢复；最后，利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.9275，在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节，网络性能优于对比方法。

为提升复杂环境装甲目标的检测精度，提出了一种显著目标检测算法，该算法通过视觉注意机制与联合金字塔上采样模块分别获取视觉注意机制约束的低层次特征与多尺度池化语义特征，利用聚合策略进行融合，提升低对比度或遮挡情况下的目标表征能力。测试结果表明，文中算法对复杂场景下多尺度目标均取得了良好的检测效果，其精度、召回率与平均精度分别为72.2%、71.4%与77.1%，能够满足实际应用需求。

针对当目标特征严重缺失时现有图像修复方法未能充分利用完整区域预测缺失区域特征，造成修复结果特征不连续、细节纹理模糊等问题，本文提出一种基于场内外特征（EFIF）融合的残缺图像精细修复方法。首先，利用改进的动态记忆网络（DMN+）算法将残缺图像的场内特征及相关的场外特征融合，生成包含场内外特征的残缺图像优化图；其次，构建带有梯度惩罚约束条件的生成对抗生成网络，指导生成器对优化后的残缺图像进行粗修复，获得待修复目标的粗修复图；最后通过相关特征连贯的思想对粗修复图进一步优化，得到最终的精细修复图。在三个复杂度不同的图像数据集仿真验证，并与现有占主导地位的修复模型进行视觉效果和客观数据比对。实验结果显示：本文模型修复的结果在纹理结构上更加合理，在视觉效果和客观数据均优于其他模型，在最有挑战性的Underwater Targe数据集中所提算法峰值信噪比（PSNR）最高为27.01，结构相似性指数（SSIM）最高为0.949。

针对遥感场景图像中复杂背景以及类内多样性和类间相似性影响场景分类性能的问题，提出一种基于有监督对比学习的遥感场景分类方法。该方法包含判别性特征学习和线性分类两个阶段。在判别性特征学习阶段，引入有监督对比损失以拉近同类场景间的距离并增大不同类场景间的距离，提高类内多样性和类间相似性场景的判别能力；然后引入门控自注意模块对无用的背景信息进行过滤且聚焦关键场景区域，提高复杂背景的场景识别；最后引入一个预训练的Inception V3语义分支，把语义分支和原始模型提取的特征进行融合增强特征判别能力，以提高场景分类的整体性能。线性分类阶段通过对特征学习阶段训练的模型进行微调获得分类结果。在AID和NWPU-RESISC45数据集上的综合实验证明了所提方法的有效性。

针对雾图成像时变化的场景光及去雾过程中不同雾相关信息在处理上的差异性，提出了通道注意网络和模糊划分熵图割的单幅图像去雾算法。以考虑变化场景光的大气散射物理成像模型为基础，首先使用通道注意的编码解码网络来估计透射率，并在编码器最后及解码器起始处添加通道注意模块，以便为编码器提取的不同雾相关特征图分配不同的权重，准确地计算透射率；然后利用所提出的模糊划分熵图割算法将透射率划分为不同场景光覆盖下的近景、中景、远景，此分割策略将考虑空间相关性的图割算法与模糊划分熵的阈值分割算法相结合，解决了单一阈值分割算法产生的区域误分问题；最后估计场景光和大气光，得到去雾图像。实验结果表明，算法在合成雾图及真实雾图上均有较好的去雾效果。与已有的去雾算法相比，本文算法在峰值信噪比及结构相似性上均有提升，单张图像的平均处理时间为3.9 s。

为了提升基于人类视觉系统检测方法的检测率、检测速度和场景适应能力，构建了一个多场景红外弱小目标数据集，提出了一种基于视觉注意机制的红外弱小目标检测算法。从自底向上的机制出发，提出多尺度灰度-方差估计，快速计算显著图并估计出最优目标尺寸，使用基于加速分割测试特征的角点检测算法快速提取候选目标，并引入非极大值抑制去除冗余。从自顶向下的机制出发，结合生物侧抑制理论与余弦相似度，提出了软竞争模糊自适应共振网络，并设计一个特征集对目标进行描述。最后，使用网络训练所得模型完成对候选目标的识别。实验结果表明：与5种代表性基于人类视觉系统的方法相比，本文方法具有更高的检测概率和更快的检测速度，且在不同场景的性能更具稳定性。