为了提高获取开源航天信息的效率并解决开源航天信息内容较长、数量较为有限、应用常用文本分类模型鲁棒性较差以及文本信息不够直观等问题，本文提出一种基于有监督对比学习的航天信息分类方法。该方法基于带有注意力机制（Attention）的双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM），融合对比学习技术，对开源的信息进行处理并分析，进而高效地筛选出航天类的信息，利用unCLIP（un-Contrastive Language-Image Pre-Training）模型生成信息对应的图像。实验结果表明，对比CNN（Convolutional Neural Networks）、BiLSTM、Transformer和BiLSTM-Attention等常用的文本分类方法，该方法在准确率、召回率和F1-Score上均表现良好，其中F1-Score达到0.97，同时以图像的形式呈现信息，使信息更加清晰直观。本文方法可以充分使用网络公开的数据资源，有效地提取开源航天信息并生成对应图像，对航天信息的分析和研究具有重要价值。

提出了一种使用相似度矩阵辅助遥感图像无监督哈希跨模态关联的方法，解决哈希码转化过程中造成的部分语义信息的损失问题。利用构建的原始特征以及哈希特征的相似度矩阵整合不同模态间的语义相关信息，以尽可能地保留模态内以及不同模态间语义的相关性，通过相似度矩阵间的语义对齐减小原始特征转换为哈希编码的特征信息损失，并结合对比学习的方法有效提高了遥感图像文本间无监督哈希跨模态关联效果。在两个公开数据集上的实验验证表明，所提方法优于现有基准方法，具有较好的性能。

通过表皮生长因子受体（Epidermal Growth Factor Receptor，EGFR）突变情况可以对患者是否患有非小细胞肺癌（Non-small Cell Lung Cancer， NSCLC）进行检测。提出了一种基于对比学习的自监督EGFR基因突变预测方法，在不需要大量专家手工标注患者数据集的情况下，对输入网络的患者病灶区图像进行阴性、阳性预测。对自监督BYOL网络进行修改，增加了网络投影层非线性多层感知器（Multilayer Perceptron，MLP）的层数，并将患者CT和PET两个模态的图像数据融合作为网络的输入，在不需要大量标注患者数据集的情况下，对阴性、阳性病例进行预测。在非小细胞肺癌EGFR基因突变数据集上，与传统的影像组学、有监督VGG-16网络、有监督ResNet-50、有监督Inception v3和无监督迁移学习CAE进行对比。实验结果表明，使用对比学习从患者的CT和PET图像学习到的患者病灶区图像的实例特征可以对阴性、阳性病例进行区分，并取得了77%的曲线下面积（Area Under the Curve，AUC）；相对于传统的影像组学方法分类结果AUC提高了7%，相对于有监督VGG-16网络的分类结果AUC提高了5%；在不需要大量专家手工标注数据集及大量患者临床数据的情况下仅比有监督ResNet-50 AUC低9%。改进BYOL网络仅需要少量标注的患者数据集便可得到比部分传统有监督方法更准确的检测结果，展示了其辅助临床决策的潜力。

随着可见光-红外双模相机在视频监控中的广泛应用，跨模态人脸识别也成为计算机视觉领域的研究热点，而将近红外域人脸图像转化为可见光域人脸图像是跨模态人脸识别中的关键问题，在刑侦安防领域有着重要研究价值。针对近红外人脸图像在着色过程中面部轮廓易被扭曲、肤色还原不真实等问题，本文提出了一种双重对比学习框架下的近红外-可见光人脸图像转换方法。该方法构建了基于StyleGAN2结构的生成器网络并将其嵌入到双重对比学习框架下，利用双向的对比学习挖掘人脸图像的精细化表征。同时，本文设计了一种面部边缘增强损失，利用从源域图像中提取的面部边缘信息进一步强化生成人脸图像中的面部细节、提高人脸图像的视觉效果。最后，在NIR-VIS Sx1和NIR-VIS Sx2数据集上的实验表明，与近期的主流方法相比，本文方法生成的可见光人脸图像更加贴近真实图像，能够更好地还原人脸图像的面部边缘细节和肤色信息。

为了解决使用深度学习进行遥感影像特征提取与分类时标注数据不足的问题，提出一种基于非对称预测算子的简易对比学习方法。首先，使用水平翻转、颜色抖动和灰度化方法对输入图像进行数据增强，得到同一幅图像的两个相关视图。接着，将其分别输入到孪生网络的两个分支进行特征提取。然后，使用非对称预测算子对特征进行变换，通过最大化两种特征间的相似度优化网络。最后，固定特征提取网络的参数，训练一个线性分类器完成特征分类。在四个公开数据集NWPU-RESISC45，EuroSAT，UC Merced，SIRI-WHU上使用20%的标注样本进行微调，分类精度分别达到77.57%，87.70%，60.52%和65.83%。本文提出的方法能够在不使用数据标签的情况下充分挖掘遥感影像中的高层语义特征，在只使用少量标注样本的情况下性能优于有监督方法得到的ImageNet预训练模型和目前最新的对比学习方法SimSiam。

针对遥感场景图像中复杂背景以及类内多样性和类间相似性影响场景分类性能的问题，提出一种基于有监督对比学习的遥感场景分类方法。该方法包含判别性特征学习和线性分类两个阶段。在判别性特征学习阶段，引入有监督对比损失以拉近同类场景间的距离并增大不同类场景间的距离，提高类内多样性和类间相似性场景的判别能力；然后引入门控自注意模块对无用的背景信息进行过滤且聚焦关键场景区域，提高复杂背景的场景识别；最后引入一个预训练的Inception V3语义分支，把语义分支和原始模型提取的特征进行融合增强特征判别能力，以提高场景分类的整体性能。线性分类阶段通过对特征学习阶段训练的模型进行微调获得分类结果。在AID和NWPU-RESISC45数据集上的综合实验证明了所提方法的有效性。