针对快速独立分量分析（FastICA）算法提取多个同频混叠信号时的初值选择敏感性和收敛性能差的问题，提出了一种双松弛因子改进的FastICA（DLM-FastICA）算法。先在牛顿迭代法中引入双松弛因子，通过自适应调节分离矩阵的组合系数得到最优权值分离矩阵，从而改善FastICA算法的初值敏感性；再利用改进的FastICA（M-FastICA）算法的快速收敛特性提取信号，提高算法的分离精度和收敛速度。仿真结果表明，该算法使得提取信号与源信号的相似系数达到0.9，同时迭代次数较原算法减少近40%，具有更加快速、稳定的提取性能。

针对红外图像和可见光图像配准过程中模态和尺度差异影响下特征点难配准的问题，提出了一种基于模态转换结合鲁棒特征的红外图像和可见光图像配准算法。首先，利用生成对抗网络从可见光图像中生成相应的伪红外图像；其次，通过加速鲁棒特征（SURF）算法提取红外图像的特征点位置信息结合改进的鲁棒特征描述子（PIIFD）实现特征描述；然后，基于Hilbert空间重构的核方法，建立了单高斯鲁棒点匹配模型，在存在异常值的情况下估计映射；最后，采用加权最小二乘法估计变换类型实现图像配准。实验结果表明，与其他算法相比，所提算法可提高红外图像和可见光图像尺度差异大情况下的配准精度，有效配准率达到96%且鲁棒性强。