针对ARM平台上人脸识别实时性不强和识别率低的问题，提出一种基于深度学习的实时人脸识别方法。首先基于MTCNN人脸检测算法设计了一种实时检测并追踪人脸的算法；然后在ARM平台上基于深度残差网络（ResNet）设计人脸特征提取网络；最后针对ARM平台的特点，使用Mali-GPU加速人脸特征提取网络的运算，分担CPU负荷，提高系统整体运行效率。算法部署在基于ARM的瑞芯微RK3399开发板上，运行速度达到22 帧/s。实验结果表明，与MobileFaceNet相比，该方法在MegaFace上的识别率提升了11个百分点。

为了解决复杂海情环境下的不同种类和大小的舰船检测问题，提出一种实时的深度学习的目标检测算法。首先，提出了一种清晰图片和模糊图片（雨、雾等图片）判别的方法；然后，在YOLO v2的深度学习框架的基础上提出一种多尺度目标检测算法；最后，针对遥感图像舰船目标的特点，提出了一种改进的非极大值抑制和显著性分割算法，对最终的检测结果进一步优化。在复杂海情和气象条件下的舰船目标公开比赛的数据集上，实验结果表明，相比原始的YOLO v2，该方法的准确率提升了16%。

针对粒子群优化(PSO)算法容易早熟收敛、在进化后期收敛精度低的缺点,提出了一种基于多策略协同作用的粒子群优化(MSPSO)算法。首先,设定一个概率阈值为0.3,在粒子迭代过程中,如果随机生成的概率值小于阈值,则采用对当前种群中的最优个体进行反向学习并生成其反向解,以提高算法的收敛速度和收敛精度;否则,算法执行对粒子的位置进行高斯变异策略,以增强种群的多样性;其次,提出一种将柯西分布的比例参数进行线性递减的柯西变异策略,能够产生更好的解引导粒子向最优解空间运动;最后,在8个标准测试函数上进行仿真测试,MSPSO算法在Rosenbrock、Schwefel's P2.22、Rotated Ackley、Quadric Noise、Ackley函数上收敛的平均值分别为1.68E+01、2.36E-283、8.88E-16、2.78E-05、8.88E-16,在Sphere、Griewank和Rastrigin函数上收敛达到最优解0,优于高斯扰动粒子群优化(GDPSO)算法、基于柯西变异的反向学习粒子群优化(GOPSO)算法。结果表明,所提出的算法收敛精度高,能避免粒子陷入局部最优。