在功能性近红外光谱（fNIRS）成像技术的实现中，扩散光学层析成像（DOT）具有改善定量性和分辨率的巨大潜力，但其效果受制于生理干扰（呼吸、心跳和低频振荡等）、检测系统的随机噪声以及有限测量数据量带来的不适定性。为增强fNIRS-DOT成像的性能，本文提出了一种基于模型先验信息的深度卷积编解码网络重建方法，利用分层半三维重建算法实现对表层和深层脑血氧变化信息的初步区分，发挥卷积、编解码网络对空间特征的学习能力，实现对深层脑激活信息的提取重建。为验证所提重建方法的有效性，开展了数值模拟和仿体实验，并将其与传统重建方法进行对比。结果表明，所提重建法不仅可以显著提高重建精度，极大地缩短重建时间，而且具有优异的泛化能力，为实现动态fNIRS成像提供了重要参考。

对空间目标进行三维重建能够为在轨服务卫星提供服务对象的结构信息，是提高系统自主性的关键技术。受空间目标的结构对称性以及成像非朗伯特性的影响，传统的重建方法存在特征点匹配错误或特征点匹配不足的问题，重建精度低。针对该问题，提出了一种基于MVSNet深度学习网络实现空间目标三维重建的方法，利用深度学习提取图像高层语义，提高了立体匹配的鲁棒性。首先，基于空间目标的成像特点，分析了模型的几何结构和材质对重建结果的影响，设计了搭建在Blender平台上的空间目标多视图采集系统。然后，基于MVSNet深度学习网络，采用多尺度卷积充分提取了图像的深度特征，并通过编码解码结构融合和规整上下文信息进行了立体匹配，有效解决了传统方法重建卫星的弱纹理、反射、重复纹理等区域时对特征点的高度依赖问题。最后通过残差网络解决了多次卷积造成的边界过平滑问题，进一步提升了重建效果。实验结果表明，所设计的重建模型的平均准确度误差为0.449 mm，平均完整度误差为0.379 mm，误差综合评价为0.414 mm，精度较经典开源软件COLMAP提升了20%。该方法为空间操作自动化提供了技术参考，进一步推动了三维重建在相关领域中的应用。

为降低真实毫米波辐射图像的模糊现象，提出了一种基于残差尺度递归网络（RSRN）的毫米波辐射图像盲去模糊方法。RSRN采用多级残差递归结构，在编码器-解码器网络结构中添加级联残差连接和多尺度循环连接。充分利用毫米波辐射图像多尺度特征信息可以提升模型性能，同时使网络的训练更加稳定。最后，通过端到端的方式对毫米波辐射图像进行去模糊。实验结果表明，与现有的图像去模糊方法相比，所提方法消除模糊的同时更好地保留了细节信息，并且呈现出较好的定性和定量结果。

为了精确而鲁棒地估计光场深度值，提出了一种多级神经网络渐进优化的深度值估计方法。采用四级深度神经网络分别对水平、垂直、对角线和反对角线方向的子孔径图像提取特征并估计中心视点的深度图；各子网络内部利用含跳跃连接的编码器-解码器结构提取全局特征和局部特征；各级子网络之间采用渐进优化的结构和训练策略，即前级子网络生成的深度图作为后级子网络的输入以引导其深度值估计。实验结果表明，所提方法可生成高质量的场景深度图，尤其在物体边界处可得到更加准确的轮廓。此外，该方法对不同分辨率的输入图像均具有良好的鲁棒性，还有高效推理深度值的优点，可更好地满足实际应用的需求。

超快激光脉冲形状宽度测量的核心是光谱相位的精确测量。本文提出了一种结合深度学习的自参考光谱干涉(SRSI)方法，并用该方法进行了飞秒脉冲相位的测量。该方法基于针对一维信号的Dense-1D-U-Net神经网络，采用经典的编码-解码网络结构并加入稠密连接和跳跃连接来提高网络的性能。结合SRSI法的特点，本文设计出结合了稠密连接块的Dense-1D-U-Net神经网络。基于大量接近真实光谱相位的模拟光谱相位数据可以发现，基于Dense-1D-U-Net的SRSI算法的计算结果的均方根误差相比传统SRSI算法至少降低一个数量级。与有无稠密连接、跳跃连接的对照组神经网络进行对比，分析了Dense-1D-U-Net的优势。最后用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有计算实验数据的能力。Dense-1D-U-Net神经网络未来可以拓展应用到超快光谱等其他一维信息研究领域。

相位展开作为三维(3D)测量技术中的关键环节,其解析精度直接影响3D建模的精度。由于存在欠采样和相位不连续等问题,故传统空间相位展开难以得到正确的相位信息,而时间相位展开又需要额外的信息辅助。针对复杂场景中的3D人脸建模,提出了基于多尺度注意力机制的相位展开网络。在所提网络中,利用编码器-解码器结构融合多尺度特征,并在解码网络中嵌入注意力子网络以获取上下文信息。构建一个包含5000组样本的FACE数据集和一个包含100组样本的MASK数据集,每组样本均包含截断相位和连续相位的真值,这些真值可用于相位展开的训练及测试。所提网络在FACE数据集和MASK数据集上的均方根误差分别为0.0387 rad和0.0273 rad,结构相似性分别为0.9850和0.9793。在欠采样、相位不连续等区域中,所提网络可快速准确地提取相位特征,进而保证了相位展开的正确性。最后,通过对比实验证实了所提网络的有效性和可行性。

为了解决自注意力机制的注意力图计算复杂度高、内存占用大等问题,同时提高语义分割网络的性能,提出了一种基于注意力编码的轻量化网络。该网络用自适应位置注意力模块和全局注意力上采样模块分别对长距离语义依赖关系进行编码和解码,在计算注意力图时先用自适应位置注意力模块排除无用的基组,再获取上下文信息;全局注意力上采样模块用全局上下文信息引导低层特征重构高分辨率图像。实验结果表明,本网络在PASCAL VOC2012验证集上的分割精度达到84.9%,相比分割精度相近的双路注意力网络,本网络的每秒浮点运算次数降低了16.9%,占用的GPU内存减少了12.9%。