在**空中目标识别领域，由于样本数量缺失，现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别，解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型（D-SLGM）的跨域目标识别算法。首先，提出一种深层-浅层双流特征提取算法，解决无监督少样本条件下特征表示困难的问题；同时，提出一种基于图模型的特征融合算法，实现特征间高精度融合；基于融合后的特征训练识别模型，提升算法的泛化能力。使用自建空中目标数据集，设计三种应用场景。实验结果表明，D-SLGM平均识别准确率均值达到78.2%，优于对比方法，在实际空中目标识别应用中具有较大潜力。

针对视网膜血管分割任务中存在的毛细血管分割遗漏和断连的问题，从最大限度地利用视网膜血管的特征信息的角度出发，添补视网膜血管的全局结构信息和边界信息，在U型网络的基础上，提出边界注意力辅助的动态图卷积视网膜血管分割网络。本模型先将动态图卷积嵌入到U型网络中形成多尺度结构，提升模型获取全局结构信息的能力，以提高分割质量，再利用边界注意力网络辅助模型，增加模型对边界信息的关注度，进一步提高分割性能。将模型在DRIVE、CHASEDB1和STARE三个视网膜图像数据集上进行实验，均取得了较好的分割效果。实验结果证明，该模型能较好地区分噪声和毛细血管，分割出结构较完整的视网膜血管，具有泛化性和鲁棒性。

针对卷积神经网络和图卷积网络的两类算法在校园暴力行为识别中识别速度和识别率不高的问题，本文提出一种结合多信息流数据融合和时空注意力机制的轻量级图卷积网络。以人体骨架为研究对象，首先融合关节点和骨架相关的多信息流数据，通过减少网络参数量来提高运算速度；其次构建基于非局部运算的时空注意力模块关注最具动作判别性的关节点，通过减少冗余信息提高识别准确率；接着构建时空特征提取模块获得关注关节点时空关联信息；最终由Softmax层实现动作识别。实验结果表明：在校园安防实景中对拳打、脚踢、倒地、推搡、打耳光和跪地6种典型动作识别准确率分别为94.5%，97.0%，98.5%，95.0%，94.5%，95.5%，识别速度最大为20.6 fps。在UCF101数据集上对比两类基准网络，识别速度和准确率均有提升，验证了方法对其他动作的通用性，可以满足对校园典型暴力行为识别的实时性和可靠性要求。

为了解决复杂拓扑结构及非规则表面细节缺失等导致的单视图三维物体重建结果不准确问题，本文提出了一种融合非均匀有理B样条自由形变（NFFD）与图卷积神经网络的三维物体重建方法。首先，通过引入连接权重策略的控制点生成网络对2D视图进行特征学习，获得其控制点拓扑结构。然后，利用NURBS基函数对控制点坐标自适应特性建立点云模型轮廓间顶点的形变关系。最后，为增强细节信息，将混合注意力模块嵌入图卷积网络对形变后的点云位置进行调整，从而实现复杂拓扑结构和非规则表面的高效重建。在ShapeNet数据集的实验表明，CD指标平均值为3.79，EMD指标平均值为3.94，并在Pix3D真实场景数据集上取得较好重建效果。与已有的单视图点云三维重建方法比较，本文方法有效地提高了重建精度，具有较强的鲁棒性。

当前基于卷积神经网络的光学遥感图像场景分类方法大多是全局特征学习，忽略了场景局部特征，从而难以较好地解决类内差异大和类间相似性高的问题，因此，提出一种基于视觉转换器和图卷积网络双分支结构的光学遥感图像场景分类方法。该方法首先对场景图像进行分块，再利用位置编码和视觉转换器进行特征编码，从而挖掘图像内部的长距离依赖关系。另一方面，对遥感图像进行超像素分割，将每个超像素对应的卷积神经网络特征进行池化处理并作为图结构中的结点，利用图卷积网络对场景内部图结构进行建模，感知场景内部的空间拓扑关系。最终融合两个分支产生的特征形成场景内容的最终特征表示并用于分类。在光学遥感图像数据集上的实验验证了所提方法在遥感场景分类中的有效性。