针对最近邻分类算法性能受到所采用的相似度或距离度量方法影响大，且难以选择最优的相似度或距离度量方法的问题，提出一种采用多相似度的基于有序规范实数对的K最近邻分类算法（OPNs-KNN）。首先，在机器学习领域中引入有序规范实数对（OPN）这一新的数学理论，利用多种相似度或距离度量方法将训练集和测试集中所有样本全部转换为OPN，使每个OPN均包含不同的相似度信息；然后再通过改进的最近邻算法对OPN进行分类，实现不同相似度或距离度量方法的结合与互补，从而提高分类性能。实验结果表明，在Iris、seeds等数据集上与距离加权K近邻规则（WKNN）等6种最近邻分类的改进算法相比，OPNs-KNN的分类准确率提高了0.29~15.28个百分点，验证了所提算法能大幅提升分类的性能。

针对肺部计算机断层扫描（CT）图像的超分辨率（SR）重建中需要加大对肺结节的关注度、满足重建后的特征具有客观存在性等问题，提出一种基于特征金字塔网络（FPN）和密集网络的肺部图像SR重建方法。首先，在特征提取层利用FPN提取特征；其次，在特征映射层设计基于残差网络的局部结构，再用特殊的密集网络连接此类局部结构；再次，在特征重建层利用卷积神经网络（CNN）将不同深度的卷积层逐渐降为图像大小；最后，利用残差网络融合初始低分辨率（LR）特征与重建的高分辨率（HR）特征，形成最终的SR图像。对比实验显示，FPN中2次特征融合和特征映射中5个局部结构连接的深度学习网络效果更佳。所提出的网络相较于超分辨率卷积神经网络（SRCNN）等经典网络重建SR图像的峰值信噪比（PSNR）更高，并且可以获得更好的视觉质量。

针对传统卷积神经网络（CNN）在训练过程中优化难度高的问题，提出基于矩阵分解的CNN改进方法。首先，通过矩阵分解将模型卷积层在训练期间的卷积核参数张量转换为多个参数矩阵的乘积，形成过参数化；其次，将这些额外的线性参数加入网络的反向传播，并与模型的其他参数同步更新，以改善梯度下降的优化过程；完成训练后，将矩阵乘积重新还原为标准卷积核参数，从而使推理期间前向传播的计算复杂度与改进前保持一致。选用简化QR分解和简化奇异值分解（SVD），在CIFAR-10数据集上进行分类效果实验，并用不同的图像分类数据集和初始化方式作进一步的泛化实验。实验结果表明，基于矩阵分解的VGG和残差网络（ResNet）对7个不同深度模型的分类准确率均高于原网络模型，可见矩阵分解方法可以让CNN更快地达到较高的分类准确率，最终收敛得到更好的局部最优。

为了提高战斗机在信息不充足条件下的机动决策能力，提出一种基于三支决策的飞机空战机动决策方法。首先，使用三支决策意图识别模型对目标意图进行识别；其次，将目标的作战意图因素引入到威胁评估中后，结合目标的威胁程度，提出基于三支决策的机动决策权重因子动态调整法；最后，使用模糊逻辑构建机动决策因子评价函数，并利用权值动态调整策略和机动决策评价函数求出每一阶段飞机最佳的机动方式，从而形成可行有效的飞行路线。仿真实验结果表明，所设计的基于三支决策的飞机空战机动决策方法具有可行性和有效性。

大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光，并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展，但由于过分依赖苛刻的先验条件，在缺乏相应先验条件下的去雾效果并不理想。因此，提出一种端到端的一体化除雾网络，使用增强生成器的条件生成对抗网络（CGAN）直接恢复无雾图像。生成器端以U-Net作为基础架构，通过“整合-加强-减去”的促进策略，用一个简单有效的增强解码器，增强解码器中特征的恢复。另外，加入了多尺度结构相似性（MS-SSIM）损失函数，增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中，该模型的峰值信噪比（PSNR）和结构相似性（SSIM）明显优于传统的暗通道先验（DCP）、一体化除雾网络（AOD-Net）、渐进式特征融合网络（PFFNet）、条件Wasserstein生成对抗网络（CWGAN）去雾模型。实验结果表明，相较于对比算法，所提网络能够恢复出更接近于地面真相的无雾图像，除雾效果更优。

针对传统的数码迷彩生成方法无法根据背景实时生成数码迷彩的问题，提出一种基于循环一致性对抗网络的数码迷彩生成方法。首先，使用密集连接卷积网络提取图像特征，将学习到的数码迷彩特征映射到背景图像中；其次，加入颜色保持损失来提高数码迷彩的生成质量，保证生成的数码迷彩与周围的背景颜色相一致；最后，在判别器中加入自归一化神经网络以提高模型对噪声的鲁棒性。由于缺乏数码迷彩伪装效果的客观评价标准，采用边缘检测算法与结构相似性（SSIM）算法对生成的数码迷彩的伪装效果进行评估。实验结果表明，该方法在自制数据集上生成的数码迷彩伪装的SSIM得分比已有算法的得分降低了30%以上，验证了它在数码迷彩生成任务上的有效性。

针对显著性目标检测过程中的背景干扰问题,提出了一种基于滤波合成的关键显著性目标检测算法。该算法将局部指导滤波与改进的差分高斯(DoG）滤波方法相结合,使显著性目标更加凸显；然后,利用得到的显著性图确定关键点集合,通过调整因子得到更符合视觉机制的显著性检测结果。实验表明,所提算法优于现有显著性检测方法。与局部对比度(LC)方法、谱残差(SR)方法、基于直方图对比度(HC)方法、区域对比度(RC)方法、基于调频(FT)的方法等相比,背景与干扰目标得到有效抑制,同时具有更高的精度和更好的召回率。