动脉粥样硬化引起的易损斑块破裂已经严重危害到人类的健康，而血管内光学相干断层成像（IVOCT）凭借其高分辨率已经成为识别冠脉易损斑块的主要工具，但图像判读费时费力，通常还依赖于医生的经验。目前已有基于传统机器学习的研究实现了对单帧图像的分类，但这些信息不足以辅助医生确定治疗方案，仍然需要医生二次判读。基于Faster R-CNN（R-CNN，区域卷积神经网络），针对IVOCT图像中易损斑块的特点，在数据增强、预测框（BBox）编码、网络结构等方面进行了改进和优化，实现了对易损斑块的自动识别，并选取易损斑块的病变累积角度、纤维帽厚度、巨噬细胞浸润情况、浅表微钙化情况和血管狭窄程度作为指标，对易损斑块的破裂风险进行多方面评估。在公开数据集CCCV2017 IVOCT中进行训练，测试后取得了较好结果，该方法可推广应用于同类图像。

基于美国国家极地操作环境（NPP）卫星可见光红外成像辐射仪（VIIRS）的红外和微光遥感数据开展夜间火点检测识别研究，并提出一种联合微光辅助红外遥感数据的夜间微小火点识别（FRJLI）算法。首先，采用VIIRS多天数据融合获得研究区的城市灯光背景图，为火点检测消除城市灯光影响；然后，在传统红外通道火点识别算法的基础上，联合微光通道的火点阈值调试，通过多通道阈值判别、绝对火点识别和上下文判别得到最终的识别结果。以韩国2022年3月4—13日森林火灾和蒙古国2022年4月18—19日草原火灾案例进行实验，根据夜间假彩图和植被指数验证了FRJLI算法识别火点的正确性，分析每天识别火点的亮温和辐射值关系，得出红外与微光数据的相关性及敏感性差异，FRJLI算法较NASA官方火点产品或其他火点算法结果具有更高的识别质量，特别是提高了微小火点的识别率，为更高效准确地识别火点提供了技术支持。针对森林和草原火点的识别效果表明，该算法适用性更广。

为准确且精细地识别云相态，提出一种基于模糊逻辑识别云相态的优化算法，基于不同云粒子特征参数对T函数系数进行了调整。考虑了回波反射率因子衰减和温度对云相态识别准确性的影响，利用毫米波云雷达订正后的回波反射率因子、径向速度、谱宽和微波辐射计探测的连续时空温度，作为优化后的模糊逻辑算法的输入参数。优化后的模糊逻辑算法在原有云粒子相态（冰晶、雪花、混合相态、液态云滴、毛毛雨和雨滴）识别的基础上，还可实现对过冷水和暖云滴的识别。利用该算法对2022年2月6日陕西省西安市一次降雪过程的云粒子相态进行识别，将近地面的云粒子相态结果与同址地面降水现象仪记录的降水粒子相态进行对比，二者探测的相态有较高的一致性，说明优化后的算法能准确且精细地识别云粒子相态。

当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

无透镜成像系统使用掩模板替代镜头，在降低成本的同时使设备更加轻巧，然而在进行目标识别前需通过计算重建图像，涉及参数调优和计算耗时问题。基于此，提出一种无重建的目标识别方案，直接在无透镜相机拍摄的编码图像上训练网络识别目标，在节约计算资源的同时还提供隐私保护。使用具有相位掩模板和振幅掩模板的无透镜相机，仿真生成MNIST与Fashion MNIST数据集和实采MNIST数据集，然后在这些数据集上训练ResNet-50与Swin_T网络进行目标识别。结果表明，在仿真MNIST、Fashion MNIST和真实MNIST数据集上，所提方案的最高识别准确率达99.51%、92.31%和98.06%，与先重建目标后识别方案的准确率相当，证明所提方案是一种高效的、具有隐私保护的端到端方案，且在两种掩模板和两类常规骨干分类网络上得到了验证。

跨模态行人重识别是一项具有挑战性的行人检索任务。现有研究侧重于通过提取模态共享特征来减小模态间差异，忽视了对模态内差异和背景干扰的处理。为此，提出了一种掩膜重构与动态注意力（MRDA）网络，该网络通过重构人体区域特征来消除背景杂波的影响，从而增强网络对背景变化的鲁棒性。此外，该网络结合了动态注意力机制，以过滤无关信息，动态挖掘并增强具有辨别力的特征表示，消除模态内差异的影响。实验结果显示：该网络在SYSU-MM01数据集的all-search模式下的第一个检索结果匹配成功的概率（Rank-1）和均值平均精度（mAP）分别达到70.55%和63.89%；在RegDB数据集的visible-to-infrared检索模式下的Rank-1和mAP分别达到91.80%和82.08%。在公共数据集上验证了所提方法的有效性。