药品质量关乎人民健康和国家命脉, 随着社会经济的飞速发展对药品质量的快速、 有效鉴别具有极其重要的作用。 光谱分析技术具有较高的准确性、 较快的分析速度且对样品不存在污染等突出优点, 广泛应用在化工、 石油以及医药等重要的领域。 为了解决传统药品鉴别模型存在的鉴别精度低、 鉴别速度不能满足实际需求且鉴别模型稳定性差的问题, 采用光谱仪采集药品的近红外光谱数据达到对药品无污染鉴别的目的。 结合随机森林和CatBoost对药品进行分类鉴别, 以实现快速且准确的鉴别。 首先采用随机森林(RF)对光谱仪采集的光谱数据进行有效特征波长的筛选, 从而将药品光谱数据中的无关波长去除、 筛选出最能表征样品属性的特征波长, 然后以极限学习机(ELM)作为CatBoost的弱分类器分析筛选的特征波长对药品的属性鉴别。 由于ELM仅只含有一个隐含层且无需多次迭代寻优保证了鉴别模型运行速度更快, CatBoost通过集成弱分类器以改善模型鉴别准确性。 为对所提出的药品鉴别模型性能进行有效评估, 采用随机抽取训练集的方式构造不同规模药品光谱数据并分别上进行独立实验且以10次运行结果的均值作为其最终结果, 并通过与CatBoost、 持向量机(SVM)、 反向传播网络(BP)、 ELM、 波形叠加极限学习机(SWELM)和Boosting进行对比, 进一步对模型的性能进行评估。 从不同规模训练集的分类结果可看出, 随着训练集样本的增加分类精度最高为100%且预测标准偏差趋于0。 实验结果表明, 所建立RF-CatBoost鉴别模型在不同规模的药品数据集上较对比方法具有更高的分类准确率、 更快的速度且其鲁棒性更强, 能够广泛应用于药品类别的准确鉴别, 从而实现药品质量的有效监督。

针对低照度图像对比度低、细节模糊等问题，提出了融合遗传算法的多域值分块低照度图像增强算法。通过遗传算法寻找输入图像亮度通道的最优分割阈值，根据得到的阈值，将亮度通道划分为多个不同曝光级的子图。通过多阈值分块增强算法对所有子图进行评估，根据评估结果调整每个子图的亮度。最后使用多尺度融合方法将输入图像细节信息融合到亮度增强图像中与现有的增强算法进行对比实验。结果表明，用所提算法增强后图像的各指标增加幅度均大于其它对比算法，且在提升图像亮度的同时解决了增强图像颜色失真和亮度分块的问题，有效地还原了图像的纹理信息，增强后图像的亮度分布很好地还原了真实拍摄环境的亮度分布，验证了该算法具有更好的性能。

为了解决红外图像对比度低、细节模糊的问题，提出了多尺度卷积结合双区间自适应亮度均衡化的红外图像增强方法.首先采用多尺度卷积对图像进行预处理；然后以最大化类内方差且最小化类间方差作为遗传算法适应度函数求解图像亮暗图层的划分阈值，并采用引入细节信息的双区间直方图进行均衡化，同时通过引入均方差和均值的灰度均匀化方式提高图像亮度；最后，将自适应受限拉普拉斯算子提取的细节图像与亮度提升的图像进行线性加权融合重构出细节边缘清晰、对比度较强的图像.采用不同场景下红外图像和细节丰富的灰度图像进行试验并与传统方法进行对比来验证该方法的有效性.本文方法处理后的图像信息熵（Entropy， En）、熵增强（Enhancement by Entropy， EME）和平均梯度（Average Gradient， AG）最大增幅分别由原来的5.039 1、13.446 1和7.845 0增加到7.163 3、90.252 5和53.617 7 ，表明该方法具有更好的性能.