高光谱图像各波段图像噪声分布复杂，传统去噪方法难以达到理想效果。针对这一问题，在主成分分析（PCA）的基础上，结合噪声估计和字典学习，提出一种新的高光谱去噪方法。首先，对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组；然后，根据任一波段图像的信息，利用奇异值分解（SVD）对图像进行噪声估计，再将得到的噪声估计方法与K-SVD字典学习去噪算法结合，提出一种具备自适应噪声估计特性的字典学习去噪算法，并将其应用于信息量较小的含噪图像组进行去噪处理；最后，按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明，与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比，所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB，且具有更多的细节信息和更好的视觉效果。

针对视频拼接过程中面临的许多挑战，如实时性、有动态物体产生鬼影现象等，提出了一种基于圆形感兴趣区域（ROI）图像配准结合简化处理及图形处理器（GPU）加速的方法。首先，仅在ROI内提取特征点，提高了特征检测效率和匹配准确率。其次，为进一步降低时间开销，满足视频处理实时性需求，采用了两种策略：一方面，通过简化处理仅对首帧作图像配准，后续帧利用得到的单应性矩阵进行图像融合；另一方面，利用GPU多核实现并行化硬件加速。此外，当视场中有动态物体时，采用图形分割和多频带图像融合算法，有效地消除了鬼影。实验对两路640×480的视频进行拼接，该方法的处理速度可达27.8帧/秒。相对于基于加速鲁棒特征（SURF）算法的视频拼接方法，效率提高了26.27倍；相对于基于带方向的加速分段测试特征提取结合旋转的二进制鲁棒独立元素特征描述（ORB）算法的视频拼接方法，效率提高了11.57倍。实验结果表明，该方法可将多路视频实时地拼接为高质量的大场景视频。

自组织网络的连通性是保证网络通信能力的根本。针对无中心的自组织网络，分析自组织演化行为过程中网络的连通性，重点阐述了真实网络拥有的局域特征以及自组织网络节点的择优邻居选择策略，对于网络连通性能的影响。经过理论分析和仿真模拟发现，在类Gossip机制的自组织模式下，网络的连通性被破坏的概率很大。

自组织网络的连通性是保证网络通信能力的重要指标。本文列举自组织网络不连通的两种主要模式，分析了破坏连通性的主要原因，提出了一种简便可行的基于局部连通域优化的连接置换算法，可以有效保证网络演化过程中的连通性。通过仿真手段，对该算法的有效性进行了验证，并讨论了算法的相关参数和性能指标。