鉴于国内野生菌中毒事件频发，拟采用深度学习技术来解决这一社会问题。但由于野生菌图像的类间差异较小，图像背景复杂，细粒度识别精度较低。针对这一问题，提出了一种改进的ResNeXt50网络。首先设计了一种多尺度特征引导（MSFG）模块，通过短连接引导网络充分学习和利用低级特征与高级特征；接着采用改进的注意力机制模块来减少网络对复杂背景的学习；最后对模型中的不同层级特征进行融合，利用得到的联合特征进行识别。实验结果表明，所提改进模型在测试集上的准确率可以达到96.47%，较未改进的ResNeXt50网络，在准确率上提升了2.64个百分点。对比结果显示，相较VGG19、DenseNet121、Inception_v3、ResNet50、ShuffleNet_v2这5个网络模型，所提改进模型在准确率上分别提升了8.10个百分点、5.13个百分点、3.24个百分点、3.30个百分点、4.25个百分点。

高光谱图像分类已被公认为是高光谱数据处理的基础性和挑战性任务,丰富的光谱信息和空间信息为有效描述和识别地表物质提供了契机。卷积神经网络(CNN)中的参数较多,为了避免过拟合问题,需要大量的训练样本。Log-Gabor滤波器可以有效地提取包括边缘和纹理在内的空间信息,降低CNN特征提取的难度。为了充分利用CNN和Log-Gabor滤波器的优点,提出了一种将Log-Gabor滤波器和CNN相结合的高光谱图像分类方法,并利用两个真实的高光谱图像数据集进行了对比实验。实验结果表明,所提方法比传统的支持向量机和CNN方法具有更高的分类精度。

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。

针对利用机载光电平台进行“空对空”目标跟踪时, 跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题, 在传统CamShift算法的基础上, 提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板, 提高了模型的描述能力; 跟踪过程中引入特征模板动态更新环节, 保证了算法的长期稳定性; 在全遮挡的情况下, 利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型, 并采用二次遮挡判断方法, 大大降低了误判和丢帧概率。实验结果表明, 所提算法具有较高的准确性、实时性与稳定性。