非参数语义分割算法易受到图像检索精度和语义类别不均衡数据集的影响而导致语义分割精度下降。针对这些问题，提出了一种基于卷积神经网络(CNN)特征和改进超像素匹配的图像语义分割算法。通过CNN学习得到图像特征，降维后进行图像检索，得到精度更高的检索集；利用高斯核密度估计对检索集图像的超像素加权，提升稀少类目标超像素标签的匹配精度，从而提高查询图像的语义分割精度。在SIFTflow和KITTI数据库上的实验结果显示，本文算法的每像素和平均每类语义分割精度均达到最优。

结合透视投影模型、非参数化的光学畸变模型以及光束平差算法，提出并实现了一种标定显微立体视觉系统光路的方法。首先，通过光刻方法制作了用于显微立体视觉系统标定的标定参考物，并利用待标定系统采集标定参考物不同方位的图像。然后，基于非参数化的光学畸变模型，采用样条曲面计算得到显微立体视觉系统的畸变校正场，并结合透视投影模型建立显微立体视觉系统的完整成像模型。最后，利用光束平差算法对所建立的成像模型进行标定计算和优化调整。搭建了显微立体视觉小尺度测量装置，验证了提出的标定方法的可行性。通过标定获得了测量装置两个光路的焦距和相对方位等参数，并借助于高精度四轴位移台对标定结果进行了精度验证。结果表明，采用本文方法标定后位移测量的精度优于1%，能够满足微胀形实验中三维变形测量的要求。该标定方法也可用于其他显微视觉检测领域。