针对无人机航摄图像中目标尺寸差异大导致的感受野难以同时兼顾不同尺寸物体分割效果的问题，提出了利用两路分支分别提取浅层和深层信息的双路特征融合网络（DSFA-Net）。在编码器中，浅层分支利用三个串行ConvNeXt模块提取高通道数的浅层特征以保留更多空间细节；深层分支利用坐标注意力空洞空间金字塔池化（CA-ASPP）模块为特征图重新分配权重，使网络更加关注尺寸各异的分割目标，获得深层多尺度特征。在解码过程中，网络利用双边引导融合模块为两层特征建立通信以进行分辨率融合，提高层级特征的利用率。所提方法在AeroScapes和Semantic Drone航摄图像数据集上进行了实验，其平均交并比分别达到83.16%和72.09%、平均像素准确率分别达到90.75%和80.34%。与主流的语义分割方法相比，所提方法对于具有较大尺寸差异的目标，分割能力更强，更适用于无人机航摄图像场景下的语义分割任务。

针对现有的基于点的网络平等地对待所有的点从而无法有效关注重要特征的问题，在激光雷达点云处理领域引入注意力机制，即CSA模块，其中CA表示通道注意力，SA表示空间注意力。两个模块以数据驱动的方式自动学习不同特征通道信息和不同空间位置信息的重要性，从而提升网络在点云分类和分割任务上的表现。在基于点的网络中引入了上述两个模块，提出了CSA-PointNet++结构。实验结果表明：所提方法在ModelNet40数据集上的分类准确率达93.20%，在ShapeNetPart数据集上的部件分割实验的平均交并比（mIoU）为82.62%，优于其他对比方法，验证了所提网络的有效性；同时，在真实世界自建数据集上，所提方法的分类准确率达92.14%，证明了网络在真实世界的数据上具有良好的泛化能力。

针对菠萝削皮流水线生产加工过程中菠萝表面有内刺残留，需要人工二次去除内刺的问题，采用图像处理的方法对菠萝内刺进行特征提取与空间定位，从而确定菠萝内刺的精确位置，以实现菠萝内刺的自动化去除。设计了菠萝图像采集系统以及针对当前系统的菠萝内刺检测算法。对菠萝图像进行预处理，将内刺特征从背景中分离出来剔除干扰特征，并将内刺的轮廓作为提取特征。轮廓的面积和轮廓的圆度作为描述子，菠萝内刺轮廓最小外接矩形的中心坐标作为菠萝内刺在图像中的位置，利用菠萝外轮廓将内刺的二维坐标转换成三维坐标从而精确定位菠萝内刺。对比实验表明：菠萝内刺检测算法准确率明显高于传统的斑点检测算法，内刺中心位置拟合精度较高，检测最大误差为0.63 mm，平均检测误差为0.33 mm。研究表明，平均检测速度和精度都能满足菠萝内刺去除工序的需要，这为菠萝流水线加工过程中的内刺去除提供一定的技术基础。

利用图像离焦线索生成对应深度图像的方法因其快速、方便目前被广泛使用，但是离焦图像在离焦程度过高或过低时通常会丢失图像的深度信息，导致生成的深度图像不符合实际使用要求，因此需要对这些图像进行判别分离，但现有方法对不同场景的离焦图像模糊程度判别精度不足，缺乏统一标准，无法有效对离焦图像进行判别分离处理。针对此问题，提出一种融合图像灰度比值的离焦图像自动判别方法，首先，通过分析并利用离焦图像不同区域的梯度特征、频域特征，对图像模糊区域和清晰区域进行有效区分。其次，融合上述特征图像获取融合图像，因离焦图像的模糊区域和清晰区域离焦程度相差较大，表现在融合图像中两部分灰度值对比明显，因此利用融合图像两部分灰度平均值的比值作为判断离焦程度的衡量标准，当离焦图像该比值超出设定的阈值标准时，则认为该图像不满足深度图像生成条件，该图像将自动进行分离。最后，对比现有清晰度评价函数与本文方法对相同场景与不同场景、不同离焦模糊图像进行模糊程度的判别结果，发现所提方法可以较为准确快速地判别相同及不同场景下离焦图像模糊程度，有效分离不符合条件的离焦图像，提高深度图像的生成效率。

光学成像分辨率受衍射极限、探测器尺寸等诸多因素限制。为了获得细节更丰富、纹理更清晰的超分辨率图像，本文提出了一种多尺度特征注意力融合残差网络。首先，使用一层卷积提取图像的浅层特征，之后，通过级联的多尺度特征提取单元提取多尺度特征，多尺度特征提取单元中引入通道注意力模块自适应地校正特征通道的权重，以提高对高频信息的关注度。将网络中的浅层特征和每个多尺度特征提取单元的输出作为全局特征融合重建的层次特征。最后，利用残差分支引入浅层特征和多级图像特征，重建出高分辨率图像。算法使用Charbonnier损失函数使训练更加稳定，收敛速度更快。在国际基准数据集上的对比实验表明：该模型的客观指标优于大多数最先进的方法。尤其在Set5数据集上，4倍重建结果的PSNR指标提升了0.39 dB，SSIM指标提升至0.8992，且算法主观视觉效果更好。

针对结直肠镜图像分辨率偏低、纹理信息偏少和细节模糊等缺点，提出了一种基于残差注意力网络的图像超分辨率重建算法SMRAN，选取结直肠息肉内窥镜图像数据集PolypsSet中的部分图像作为原始数据进行实验。首先，使用卷积网络提取低分辨率图像的浅层特征；其次，设计Res-Sobel结构对图像边缘特征进行增强；然后，通过引入不同大小的卷积核，设计多尺度特征融合模块(Multi-Scale feature Extraction Block, MEB)，自适应地提取不同尺度的特征，从而得到有效的图像信息，并通过残差注意力网络将Res-Sobel模块和多尺度特征融合模块MEB进行连接；最后，通过亚像素卷积层对图像进行重建，得到最终的高分辨率图像。在尺度因子为×4时，网络在测试集上的测试结果如下: 峰值信噪比PSNR为34.25 dB，结构相似性SSIM为0.8675。实验结果表明，与传统的双三次插值算法及常用的SRCNN、RCAN等深度学习算法相比，本文提出的SMRAN对结直肠内窥镜图像具有更好的超分辨率重建效果。

针对目标场景复杂的空间布局和高光谱影像固有的空-谱信息冗余等挑战，提出了端到端的轻量化深度全局-局部知识蒸馏（Lightweight Deep Global-Local Knowledge Distillation，LDGLKD）网络。为探索空-谱特征的全局序列属性，教师模型视觉Transformer（Vision Transformer，ViT）被用来指导轻量化学生模型进行高光谱影像场景分类。LDGLKD选择预训练的VGG16作为学生模型来提取局部细节信息，将ViT和VGG16通过知识蒸馏协同训练后，教师模型将所学习到的远程上下文关系向小规模学生模型进行传递。LDGLKD可通过知识蒸馏结合上述两种模型的优点，在欧比特高光谱影像场景分类数据集OHID-SC及公开的高光谱遥感图像数据集HSRS-SC上的最佳分类精度分别达到91.62%和97.96%。实验结果表明：LDGLKD网络具有良好的分类性能。根据欧比特珠海一号卫星提供的遥感数据构建的OHID-SC可以反映详细的地表覆盖情况，并为高光谱场景分类任务提供数据支撑。

由于水中悬浮物的散射以及水体对光的吸收，水下图像有严重的色偏、雾化以及模糊现象。针对现有基于深度学习的水下图像增强算法使用单一的卷积和上下采样方式，导致图像特征提取不充分的问题，本文构建了基于多尺度特征提取的下采样模块、上采样模块和特征提取模块，并在此基础上提出了一个基于多尺度特征提取块级联（MS-FEBC）的水下图像增强网络框架。为进一步提高网络的特征提取能力，在网络高维特征空间中添加了CBAM注意力机制。实验结果表明，与现有算法相比，本文算法有效解决了水下图像存在色偏、雾化和细节丢失等质量较低的问题，在4种客观评价指标上均有显著提升，对图像SIFT特征点检测和Canny边缘检测视觉任务的性能有明显提高。

提出一种新型的关键点距离表征学习网络，该网络利用位姿变换过程的几何不变性信息，在网络中引入距离量的估计，进而推导出稳健关键点，以此来提升基于深度学习的六自由度物体位姿估计方法的精度。所提方法包含两个阶段。首先，设计了关键点距离表征网络，通过一种骨干网络模块和特征融合结构实现RGB-D图像特征提取，并结合多层感知机预测物体逐点相对于关键点的距离量、语义和置信度。其次，根据可视点投票法及四点距离定位法，利用网络输出的多维信息推理计算关键点坐标，并最终通过最小二乘拟合算法得到物体位姿。为了证明所提方法的有效性，在公开数据集LineMOD和YCB-Video上进行了测试，实验结果表明，所提方法相比于原PSPNet框架中的ResNet参数量减少一半且精度有所提升，在两个数据集上精度分别提升了1.1个百分点和5.8个百分点。