针对近红外光谱高维、非线性、大量噪声对定量建模的影响，将深度自编码网络引入到光谱特征学习中，提出一种改进卷积自编码网络的特征提取方法（1D-BCAE），并将其应用到烟叶关键指标的近红外光谱定量建模中，提高了模型的准确性和稳健性。首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取，其次在编码过程中加入BasicBlock模块和批归一化（BN）结构优化网络结构，减少了参数量和计算量的同时，降低了光谱中的噪声和非线性特征的影响，优化了网络的训练效率。通过设计一种对应相连的结构，把编码器中各模块的参数传递给相应的解码器，减少了网络训练过程中细节特征的丢失。通过实验对比重构误差和均方根误差，验证了所提方法的有效性，然后分别采用全谱段和主成分分析（PCA）、卷积自编码（CAE）网络、1D-BCAE提取后的特征结合偏最小二乘（PLS）法建立了关于烟叶中烟碱、总糖指标的定量模型，并进行了对比分析。结果表明，1D-BCAE能有效学习高维数据中的内在结构和非线性关系，所建的模型具有更好的性能。所提方法实现了对待测组分光谱信息的有效提取，对建立稳健校正模型、降低模型复杂度具有重要意义。

图像修复技术是目前计算机视觉领域的研究热点之一，该技术主要利用缺失区域周边或者外部辅助数据来对图片受损区域进行信息推理和修复。随着大数据时代的到来，基于深度学习的图像修复技术以其出色的性能成为了图像处理领域内的关注点。对现有的图像修复算法进行总结，对各个算法的模型结构、性能表现及在常用数据集上的指标进行讨论说明，并对该领域目前所存在的问题和难点进行分析和展望。

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一, 其旨在屏蔽固有噪声影响, 获取感兴趣区域内表征目标的潜在特征信息, 为目标识别提供有力的数据支撑。为了提升高分辨SAR图像目标识别精度, 围绕算法设计中的相干斑抑制和特征提取问题, 结合传统恒虚警率(CFAR)检测算法和深度卷积神经网络(DCNN)的最新研究, 设计了SAR图像自动目标识别框架。实验基于MSTAR标准数据集, 目标识别结果表明所构建模型的有效性。

提出一种基于深度学习的红外目标建模方法。将对抗与自编码相结合,设计了双重对抗自编码网络。利用训练后的网络,仅需输入类别标签和满足一定分布的随机变量即可生成相应类别的红外目标图像。在自建红外数据集上对模型的有效性进行验证,实验表明,生成的目标图像在真实性和多样性等各方面均取得了较高的评价结果。将随机生成的目标图像作为小数据集的补充,可有效改善训练数据匮乏的问题,提高红外成像系统识别算法的准确率。

针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。

近红外光谱分析技术作为一种快速、 无损检测技术十分适用于真假药品现场鉴别。 自编码网络作为当前机器学习领域研究的热点受到广泛关注, 自编码网络是一种典型的深度学习网络模型, 它比传统的潜层学习方法具有更强的模型表示能力。 自编码网络使用贪婪逐层预训练算法, 通过最小化各层网络的重构误差, 依次训练网络的每一层, 进而训练整个网络。 通过对数据进行白化预处理并使用无监督算法对输入数据进行逐层重构, 使网络更有效的学习到数据的内部结构特征。 之后使用带标签数据通过监督学习算法对整个网络进行调优。 首先对真假琥乙红霉素片的近红外光谱数据进行预处理以及白化预处理, 通过白化处理降低数据特征之间的相关性, 使数据各特征具有相同的方差。 数据处理之后利用稀疏降噪自编码网络针对真假药品光谱数据建立分类模型, 并将稀疏降噪自编码网络模型与BP神经网络以及SVM算法在分类准确率及算法稳定性方面进行对比。 结果表明对光谱数据进行白化预处理能有效提升稀疏降噪自编码网络的分类准确率。 并且自编码网络分类准确率在不同训练样本数量下均高于BP神经网络, SVM算法在少量训练样本的情况下更有优势, 但在训练数据集样本数达到一定数量后, 自编码网络的分类准确率将优于SVM算法。 在算法稳定性方面, 自编码网络较之BP神经网络和SVM算法也更稳定。 使用稀疏降噪自编码网络对真假药品近红外光谱数据进行建模, 能对真假药品进行有效的鉴别。

提出了一种结合自编码网络(AN)流形学习和偏最小二乘(PLS)法的红外光谱建模方法AN-PLS。 AN-PLS方法首先用AN算法对红外光谱数据进行非线性降维, 再结合PLS建立回归模型。 利用该方法建立了毛竹笋中不溶性膳食纤维含量的近红外光谱和中红外光谱回归模型。 结果表明, 用AN-PLS方法建立的回归模型, 比用其他常用光谱数据预处理方法结合PLS及用单独PLS算法建立的模型具有更小的预测均方根误差RMSEP和更高的决定系数R2, 因此, AN-PLS具有较优的建模与预测能力, 利用近红外光谱和中红外光谱技术结合AN-PLS建模, 可实现毛竹笋中不溶性膳食纤维含量的准确测量。