传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。

针对目标跟踪序列背景复杂、目标大尺度变化等导致目标辨识难度大的问题，提出了基于特征优选模型的Siamese网络目标跟踪算法。首先构建深度网络，有效地提取深度语义信息。再利用沙漏网络对多尺度下的特征图进行全局特征编码，将编码后的特征归一化处理，获取有效目标特征。最后构建特征优选模型，将解码获取的特征作为选择器甄别原特征图的有效特征并增强。为了进一步提高模型的泛化能力，引入注意力机制，对目标特征自适应加权，使其适应场景变化。最终提出算法在OTB100标准跟踪数据集测试成功率达到0.648，预测精度达到0.853，实时性为59.5 frame/s；在VOT2018标准跟踪数据集测试精度为0.536，期望平均覆盖率为0.192，实时性为44.3 frame/s，证明了该算法的有效性

针对遥感图像背景复杂、飞机目标尺寸变化大的问题，提出了基于平滑标签和多路聚合网络的遥感飞机检测方法。考虑到遥感图像中飞机目标辨识难度大，利用联合注意力机制捕获目标区域，缩小搜索范围。再使用改进的路径聚合网络提取主干网络中的4个特征层，可以有效提取浅层特征信息，将各层特征归一化后进行融合，预测目标的位置。为了避免训练模型过度依赖预测标签，造成过拟合，在网络中使用平滑标签技术，减小类内距离，有效提高训练模型的泛化能力。通过在两个公开数据集RSOD和HRRSD上进行大量实验，验证了提出方法的有效性。实验结果表明在RSOD数据集中，提出方法的平均精确率为0.967，在HRRSD数据集中平均精确率为0.993，与相关算法对比，检测精度有明显提升。

为了解决密集多目标检测中易造成的漏检问题, 提出一种基于双邻域对比度的红外小目标检测算法。首先利用峰值搜索算法筛选出候选目标; 再通过单尺度3层双邻域窗口遍历候选目标;最后利用双邻域对比度模型计算候选目标区域的最小灰度对比度, 并用对角梯度因子增强对比度和抑制杂波。结果表明, 与5种对比方法相比, 该方法的背景抑制因子和对比度增益分别平均提高4.7倍和1.8倍, 有效地抑制了杂波, 增强了目标。该研究能够准确地检测到相互接近的多个目标, 对提高复杂背景下的多目标检测精度是有帮助的。

在行人重识别任务中存在数据集标注难度大，样本量少，特征提取后细节特征缺失等问题。针对以上问题提出深度双重注意力的生成与判别联合学习的行人重识别。首先，构建联合学习框架，将判别模块嵌入生成模块，实现图像生成和判别端到端的训练，及时将生成图像反馈给判别模块，同时优化生成模块与判别模块。其次，通过相邻的通道注意力模块间连接和相邻空间注意力模块间连接，融合所有通道特征和空间特征，构建深度双重注意力模块，将其嵌入教师模型，使模型能更好地提取行人细节身份特征，提高模型识别能力。实验结果表明，该算法在Market-1501和DukeMTMC-ReID数据集上具有较好的鲁棒性、判别性。

为了提高遥感图像场景分类中特征有效利用率, 进而提高遥感影像分类精度, 采用基于双通道深度密集特征融合的遥感影像分类方法, 进行了理论分析和实验验证。首先通过构建复合密集网络模型,分别提取图像卷积层特征和全连接层特征; 然后为挖掘、利用图像深层信息, 通过视觉词袋模型将提取的深层卷积层特征进行重组编码, 捕获图像深层局部特征; 最后采用线性加权方式将局部和全局特征融合、分类。结果表明, 选用数据集UC Merced Land-Use和NWPU-RESISC45进行实验, 取得的分类精度分别为93.81%和92.62%。该方法充分利用局部特征和全局特征的互补性, 能实现图像深层信息的充分利用和表达。

基于先验框设计(anchor-based)的多类目标检测算法存在超参数多、泛化能力差、正负样本不平衡的问题。针对这些问题,提出一种基于改进无锚(anchor-free)方法的目标检测算法。首先,针对传统算法在多类目标检测任务中难以获得鲁棒的特征表达的问题,构建基于上下文结合的自校准双重注意力模块,通过混合空洞卷积组获取多感受野信息;然后以低维空间嵌入的方式进行自校准获取上下文空间信息;最后将空间信息与通道信息结合,增强算法特征表达能力。针对在多类目标检测任务中由于目标尺度变化大、外观不规则而易引入背景噪声的问题,利用改进的可变卷积,对目标进行自适应采样。在目标检测数据集MSCOCO上的实验结果表明,所提算法能有效提升目标检测精度,优于对比检测算法。

跨摄像头场景中依赖面向标签映射关系的学习以提高识别精度，有监督行人重识别模型虽然识别精度较好，但存在可扩展问题，诸如算法识别精度严重依赖有效的监督信息，算法实时性差等；针对上述问题，提出一种基于软多标签的无监督行人重识别算法。为了提高标签匹配精度，首先利用软多标签逼近真实标签，通过计算参考数据集和参考代理在软多标签函数中的损失函数，预训练参考数据集，并构建预训练与训练结果的映射模型。再通过生成数据和真实数据分布的最小距离的期望即简化的2-Wasserstein距离计算相机视图中软多标签均值和标准差得到损失函数，解决跨视域标签一致性问题。为了提高软多标签对未标记目标数据集的有效性，计算联合嵌入损失，挖掘不同类别间的相似对，纠正跨域分布错位。针对残差网络训练时长和无监督学习精度低的问题，通过结合压缩激励网络(SENet)和多层级深度特征融合改进残差网络的结构，提高训练速度和精度。实验结果表明，该方法在标准数据集下的首位命中率和平均精度均值优于先进相关算法。

为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。