提出融合变分模态分解（VMD）和自编码器的预测方法，将温升特性曲线分解成若干个子信号分量，其中包含高频的波动量、中间量和低频的趋势量，然后利用自编码器对每个分量进行预测，最后将分量的预测值相加，从而实现对PIN二极管温升特性曲线的精准预测。通过与多种机器学习方法的对比验证了结合VMD分解可有效提升预测精度，同时也验证了自编码器在特性曲线拟合上的优势。

为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题，充分提取红外与可见光图像中的特征信息，提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中，双通道结构由密集连接和残差连接模块级联构成，并设置一种综合像素、结构相似度和梯度特征保留的损失函数，使该编码器结构可以充分提取红外与可见光图像的多层次特征，在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合，最后设计对应的解码器对融合特征图像进行重构，获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比，结果表明该方法在主观和客观上都具有优秀的综合性能。

点云的无监督表征学习对于理解和分析点云至关重要，基于三维重建的自动编码器是无监督学习中的重要架构。针对现有的自编码器存在旋转干扰和特征学习能力不足的问题，本文提出一个旋转不变的2D视图-3D点云自编码器。首先，设计局部融合全局的旋转不变特征转换策略。对于局部表示，利用手工设计特征对输入点云进行转换，生成旋转不变的点云表征；对于全局表示，提出一个基于主成分分析（Principal Component Analysis， PCA）的对齐模块，将旋转点云对齐同一姿态下，在补充全局信息的同时排除旋转干扰。然后，在编码器设计局部和非局部特征提取模块，充分提取点云的局部空间特征和非局部上下文相关性，并建模不同层次特征之间的语义一致性。最后，提出一个基于PCA对齐的2D-3D 重构的解码方法，重建对齐后的三维点云和二维视图，使编码器输出的点云表征集成来自3D点云和2D视图的丰富学习信号。实验结果表明：本算法在随机旋转的合成数据集ModelNet40和真实数据集ScanObjectNN上的识别精度分别为90.84%和89.02%，学习的点云表征在没有任何标签监督的情况下实现了良好的可辨别性，并且具有较好的旋转鲁棒性。

红外与可见光图像融合技术充分利用不同传感器的优势，在融合图像中保留了原图像的互补信息以及冗余信息，提高了图像质量。近些年，随着深度学习方法的发展，许多研究者开始将该方法引入图像融合领域，并取得了丰硕的成果。根据不同的融合框架对基于深度学习的红外与可见光图像融合方法进行归类、分析、总结，并综述常用的评价指标以及数据集。另外，选择了一些不同类别且具有代表性的算法模型对不同场景图像进行融合，利用评价指标对比分析各算法的优缺点。最后，对基于深度学习的红外与可见光图像融合技术研究方向进行展望，总结红外与可见光融合技术，为未来研究工作奠定基础。