针对传统鬼成像在识别手写数字时所存在的重构图像质量差的问题，结合生成对抗网络生成数据快的优势，提出一种新的鬼成像质量优化方法，以提升低采样率下鬼像的重构质量。通过桶探测器收集由系列散斑照射到待测手写数字图像上的光强，获得总光强值，并将其输入适用于鬼成像原理的深度卷积生成对抗网络，进行训练，分别与传统鬼成像方法和u-net网络进行对比分析，验证了所提方法的有效性和合理性。实验结果表明，所提方法得到的重构图像质量明显优于对比方法的图像质量，且在0.0625、0.25采样率下重构图像的峰值信噪比和结构相似度较u-net网络分别提升了18.9%/51.9%、38.29%/42.35%。

作为工业数字图像质量评价在应用领域的重要延伸，光学显微图像定量评价主要通过对图像特征和属性进行分析计算，针对性地量化评估图像的质量。近年来，随着各类光学显微成像技术的蓬勃发展，图像定量化评价的重要性日益凸显，在总体图像处理中具有指导性作用。对现有的光学显微图像定量评价指标及相关算法进行总结，对各个算法的模型结构和性能表现进行讨论说明，阐述显微图像定量评价的应用和发展趋势，并对该领域目前所存在的问题和难点进行分析和展望。

伪装目标与背景的综合相似度能够衡量伪装目标与周围背景之间的特征差异，综合相似度越高，目标与背景的融合程度越高，目标伪装效能越高。组合使用目标及背景图像的亮度、颜色、纹理、形状、尺寸、结构、直方图等7个典型特征来表征目标伪装特性，采用与其相应的相似度量法得到各个特征相似度，采用熵权法客观确定不同特征指标权重，线性加权得到伪装目标与背景的综合相似度，从而获得量化的目标伪装效能评估结果。不同背景、不同侦察距离、不同目标姿态下的多组实验表明：所提伪装目标与背景的综合相似度具有与目标发现概率一致性、与探测距离一致性、背景鲁棒性，证明了所提方法的正确性和有效性；并通过对比实验验证了该方法的可靠性。

主流的目标检测模型将检测分为分类和定位两个子任务, 分类和定位各自具有独立的子网络, 且在训练过程中采用互相独立的损失函数。这种模型结构和训练方式忽略了分类和定位之间的相互联系, 使得模型预测的类别得分无法体现预测框的定位质量, 进一步导致高定位质量的预测在非极大值抑制(NMS)阶段被低定位质量的预测抑制, 损害了模型的检测精度。针对该问题, 提出了一种一致性损失的概念, 该损失通过在训练过程中约束模型预测的类别得分和定位质量的排名相似度, 提升了二者的一致程度。基于FCOS-ResNet50模型与PASCAL VOC数据集, 所提的损失函数能够提升约1.3个百分点的mAP0.5、4.3个百分点的mAP75和5.4个百分点的mAP90。

电力线载波通信面向广泛的设备对设备的数据交互和通信应用，具有免于部署，易于直连通信的优势，成为一种有效快捷的新型通信方式。但在使用中经常由于通信拥塞或电力干扰，造成各种通信故障，故需要高效的恢复机制保证数据可靠传输。本文引入多标记交换协议 (MPLS)技术，设计了一种新型的电力线载波通信可区分故障恢复算法 Diff_RECV，在考虑不同生存性服务质量(QoS)要求的同时，将保护恢复机制和重路径恢复机制结合，实现了区分流量保护与恢复。通过实验验证，所提出的 Diff_RECV算法能够全部恢复故障业务流量，并且比扩散法有更高的恢复速度。

近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。