在高光谱图像分类任务中，引入注意力改变提取到的光谱和空间特征权重，有效突出重要特征，提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中，引入中心区域光谱注意力机制，在避免干扰像素对波段权重影响的同时，利用周围像素增强中心像素波段，增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络，该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征，并通过残差网络连接特征提取模块，缓解了精度下降问题，保证网络良好的分类性能。在4个公开数据集上，所提出的分类算法和其他算法相比，各项指标均达到最优。

图像几何畸变校正是许多计算机视觉应用的关键预处理步骤。当前基于深度学习的几何畸变校正方法主要解决图像的单一畸变校正问题，为此，本文提出一种改进U-Net网络的图像混合畸变校正方法。首先，提出了一种构建混合畸变的图像数据集的方法，解决了训练数据集稀缺以及畸变类型单一的问题。其次，采用U-Net网络结合空间注意力机制进行图像特征提取及畸变坐标图的重建，将图像校正问题转为畸变图像的逐像素点坐标位移变化的预测问题，并设计了结合坐标差损失和图像重采样损失的损失函数，有效提高校正的准确性。最后，通过消融实验验证了本文方法各模块的性能。与最新基于深度学习的畸变校正方法对比。实验结果表明，本文方法在定量指标和主观评价方面都有较好的表现，对畸变图像的空间坐标校正的平均绝对误差为0.251 9。本文还对GoPro相机获取的光学影像开展了校正实验，进一步验证了本文方法对畸变图像校正的有效性。

现有的超分辨率方法假设了从高分辨率图像到低分辨率图像的预定义退化过程，这对于具有复杂退化类型的真实世界图像来说很难成立。针对该问题，本文提出了基于退化感知的盲超分辨率模型。该模型用随机模糊核生成低分辨率图像，用对比学习退化表征。模型生成器由包含多个退化感知块的残差组构成。退化感知块用退化表征和图像特征做交叉注意力计算空间权重图，此外模型还收集残差组输出的层级特征，计算层间注意力来复用层级特征，使得模型更加关注高频细节，模型特征提取能力进一步提高。通过消融实验验证了各模块的有效性。在多个国际公开测试集上，放大倍数为4的平均PSNR提升1.45 dB，SSIM提升0.058。实验结果表明，该模型在盲超分辨率任务上取得了显著的性能，且具有良好的视觉效果。

眼底血管图像在临床中通常被用于眼部疾病的诊断及监测，其中血管的形态结构能够反映疾病的重要特征，因此，眼底血管图像的分割处理对眼部疾病的诊断和预防具有十分重要的医学意义。针对目前人工智能主流算法中卷积和池化操作会导致很多特征丢失，提取特征时会忽视图像中的空间信息，图像中的细小血管很难分割出来等问题，基于U-net模型进行了相关研究，结合空间注意力模块对空间特征进行细化，同时提出了一种下补偿结构LC-SAnet。该结构能够减少网络提取特征信息过程中的特征损失，从而提高分割精度。研究实验在DRIVE数据集上完成，LC-SAnet的分割准确率达到96.97%，F₁值达到74.36%。结果证明，LC-SAnet表现出更好的分割性能，对细小血管的结构识别更加准确。

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题，文中提出了一种基于边缘信息引导多级尺度特征融合网络（EGMFNet）。EGMFNet使用多通道融合残差块（RCFBlock）以嵌套的U型网络架构作为主干模型。同时，在网络的较低层级引入具有边缘信息引导的全局空间注意力模块（EGSAM）以增强空间特征及边缘特征。此外，在损失函数中引入了图像边界损失，用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验，实验结果表明，文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%，验证了EGMFNet网络模型的有效性。