针对零样本动作识别（ZSAR）算法的框架缺乏结构性指导的问题，以基于能量的模型（EBM）指导框架设计，提出基于注意力机制和能量函数的动作识别算法（ARAAE）。首先，为了得到EBM的输入，设计了光流加3D卷积（C3D）架构的组合以提取视觉特征，从而达到空间去冗余的效果；其次，将视觉Transformer （ViT）用于视觉特征的提取以减少时间冗余，同时利用ViT配合光流加C3D架构的组合以减少空间冗余，从而获得非冗余视觉空间；最后，为度量视觉空间和语义空间的相关性，实现能量评分评估机制，设计联合损失函数来进行优化实验。采用6个经典ZSAR算法及近年文献里的算法在两个数据集HMDB51和UCF101进行实验的结果表明：相较于CAGE （Coupling Adversarial Graph Embedding）、Bi-dir GAN （Bi-directional Generative Adversarial Network）和ETSAN （Energy-based Temporal Summarized Attentive Network）等算法，在平均分组的HMDB51数据集上，ARAAE平均识别准确率提升至（22.1±1.8）%，均明显优于对比算法；在平均分组的UCF101数据集上，ARAAE的平均识别准确率提升至（22.4±1.6）%，略优于对比算法；在以81/20为分割方式的UCF101数据集上，ARAAE的平均识别准确率提升至（40.2±2.6）%，均大于对比算法。可见，ARAAE在ZSAR中能有效提高识别性能。

针对医学磁共振成像（MRI）过程中由于噪声、成像技术和成像原理等干扰因素引起的图像细节丢失、纹理不清晰等问题，提出了基于多感受野的生成对抗网络医学MRI影像超分辨率重建算法。首先，利用多感受野特征提取块获取不同感受野下图像的全局特征信息，为避免感受野过小或过大导致图像的细节纹理丢失，将每组特征分为两组，其中一组用于反馈不同尺度感受野下的全局特征信息，另一组用于丰富下一组特征的局部细节纹理信息；然后，使用多感受野特征提取块构建特征融合组，并在每个特征融合组中添加空间注意力模块，充分获取图像的空间特征信息，减少了浅层和局部特征在网络中的丢失，在图像的细节上取得了更逼真的还原度；其次，将低分辨率图像的梯度图转化为高分辨率图像的梯度图辅助重建超分辨率图像；最终将恢复后的梯度图集成到超分辨率分支中，为超分辨率重建提供结构先验信息，有助于生成高质量的超分辨率图像。实验结果表明，相比基于梯度引导的结构保留超分辨率算法（SPSR），所提算法在×2、×3、×4尺度下的峰值信噪比（PSNR）分别提升了4.8%、2.7%、3.5%，重建出的医学MRI影像纹理细节更加丰富、视觉效果更加逼真。

针对甲状腺超声影像中甲状腺组织大小和形态的多样性以及周边组织的复杂性，提出了一种基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络。首先，利用不同膨胀率的空洞卷积和动态滤波器来融合不同感受野下的全局语义特征与不同范围的上下文详情的语义特征，从而提升网络对多尺度目标的适应性与准确度；然后，在特征降维时采用混合上采样方式，以增强高维语义特征的空间信息和低维空间特征的上下文信息；最后，采用空间注意力机制来优化图像的低维特征，并采用高低维特征融合的方式使高低维特征信息在保留重要特征的同时摒弃冗余信息以及使网络对于图像前背景的区分能力得到增强。实验结果表明，所提方法在甲状腺超声影像公开数据集上达到了0.963±0.026的准确率、0.84±0.03的召回率和0.79±0.03的dice系数。可见所提方法能较好地解决组织形态差异性大以及周边组织复杂的问题。

为了有效解决腹部磁共振成像（MRI）影像在超分辨率重建过程中因高频细节丢失引起的边界不明显、腹部器官显示不清晰以及单模型单尺度重建应用不方便等问题，提出了一种基于并行通道-空间注意力机制的多尺度超分辨率重建算法。首先，构造了并行通道-空间注意力残差块，通过空间注意力模块获取图像重点区域与高频信息的相关性，通过通道注意力模块获取图像各通道对关键信息响应程度的权重，同时拓宽网络的特征提取层以增加流入注意力模块的特征信息；此外，添加了权重归一化层，保证了网络的训练效率；最后，在网络末端应用多尺度上采样层，增加了网络的灵活性和可用性。实验结果表明，相较深层残差通道注意力超分辨率网络（RCAN），所提算法在×2、×3、×4尺度下的峰值信噪比（PSNR）平均提高了0.68 dB。所提算法有效提升了图像的重建质量。

为提高医学影像超分辨率的重建质量，提出了一种基于深度可分离卷积的宽残差超分辨率神经网络算法。首先，利用深度可分离卷积改进网络的残差块，扩宽残差块中卷积层的通道，将更多的特征信息传入了激活函数，使得网络中浅层低级图像特征更容易地传播到高层，提高了医学影像超分辨率的重建质量；然后，采用组归一化的方法训练网络，将卷积层的通道维度划分为组，在每个组内计算归一化的均值和方差，使得网络训练过程更快地收敛，解决了深度可分离卷积扩宽通道数导致网络训练难度增加的问题，同时网络表现出更好的性能。实验结果表明，对比传统的最近邻插值、双三次插值超分辨率算法，以及基于稀疏表达的超分辨率算法，所提算法重建出的医学影像纹理细节更加丰富、视觉效果更加逼真。对比基于卷积神经网络的超分辨率算法，基于宽残差超分辨率神经网络算法和生成对抗网络超分辨率算法，所提算法在峰值信噪比（PSNR）和结构相似性（SSIM）上有显著的提升。

针对脑部图像中存在噪声和强度失真时，基于结构信息的方法不能同时准确提取图像强度信息和边缘、纹理特征，并且连续优化计算复杂度相对较高的问题，根据图像的结构信息，提出了基于改进Zernike距的局部描述符（IZMLD）和图割（GC）离散优化的非刚性多模态脑部图像配准方法。首先，将图像配准问题看成是马尔可夫随机场（MRF）的离散标签问题，并且构造能量函数，两个能量项分别由位移矢量场的像素相似性和平滑性组成。其次，采用变形矢量场的一阶导数作为平滑项，用来惩罚相邻像素间有较大变化的位移标签；用基于IZMLD计算的相似性测度作为数据项，用来表示像素相似性。然后，在局部邻域中用图像块的Zernike矩来分别计算参考图像和浮动图像的自相似性并构造有效的局部描述符，把描述符之间的绝对误差和（SAD）作为相似性测度。最后，将整个能量函数离散化，并且使用GC的扩展优化算法求最小值。实验结果表明，与基于结构表示的熵图像的误差平方和（ESSD）、模态独立邻域描述符（MIND）和随机二阶熵图像（SSOEI）的配准方法相比，所提算法目标配准误差的均值分别下降了18.78%、10.26%和8.89%，并且比连续优化算法缩短了约20 s的配准时间。所提算法实现了在图像存在噪声和强度失真时的高效精确配准。

针对传统医学图像融合中需要依靠先验知识手动设置融合规则和参数，导致融合效果存在不确定性、细节表现力不足的问题，提出了一种基于改进生成对抗网络（GAN）的脑部计算机断层扫描（CT）/磁共振（MR）图像融合算法。首先，对生成器和判别器两个部分的网络结构进行改进，在生成器网络的设计中采用残差块和快捷连接以加深网络结构，更好地捕获深层次的图像信息；然后，去掉常规网络中的下采样层，以减少图像传输过程中的信息损失，并将批量归一化改为层归一化，以更好地保留源图像信息，增加判别器网络的深度以提高网络性能；最后，连接CT图像和MR图像，将其输入到生成器网络中得到融合图像，通过损失函数不断优化网络参数，训练出最适合医学图像融合的模型来生成高质量的图像。实验结果表明，与当前表现优良的基于离散小波变换（DWT）算法、基于非下采样剪切波变换（NSCT）算法、基于稀疏表示（SR）算法和基于图像分类块稀疏表示（PSR）算法对比，所提算法在互信息（MI）、信息熵（IE）、结构相似性（SSIM）上均表现良好，最终的融合图像纹理和细节丰富，同时避免了人为因素对融合效果稳定性的影响。

针对医学影像超分辨率重建过程中细节丢失导致的模糊问题，提出了一种基于深度残差生成对抗网络（GAN）的医学影像超分辨率算法。首先，算法包括生成器网络和判别器网络，生成器网络生成高分辨率图像，判别器网络辨别图像真伪。然后，通过设计生成器网络的上采样采用缩放卷积来削弱棋盘效应，并去掉标准残差块中的批量规范化层以优化网络；进一步增加判别器网络中特征图数量以加深网络等方面提高网络性能。最后，用生成损失和判别损失来不断优化网络，指导生成高质量的图像。实验结果表明，对比双线性内插、最近邻插值、双三次插值法、基于深度递归神经网络、基于生成对抗网络的超分辨率方法（SRGAN），所提算法重建出了纹理更丰富、视觉更逼真的图像。相比SRGAN方法，所提算法在峰值信噪比（PSNR）和结构相似度（SSIM）上有0.21 dB和0.32%的提升。所提算法为医学影像超分辨率的理论研究提供了深度残差生成对抗网络的方法，在其实际应用中可靠、有效。

针对目前全局训练字典对于脑部医学图像的自适应性不强，以及使用稀疏表示系数的 L ₁范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题，提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的 K奇异值分解（ K-SVD）算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典，在自适应联合字典的作用下由系数重用正交匹配追踪（CoefROMP）算法计算得到稀疏表示系数；然后将稀疏表示系数的"多范数"作为源图像块的活跃度测量，并提出"自适应加权平均"与"选择最大"相结合的无偏规则，根据稀疏表示系数的"多范数"的相似度选择融合规则，当"多范数"的相似度大于阈值时，使用"自适应加权平均"的规则，反之则使用"选择最大"的规则融合稀疏表示系数；最后根据融合系数与自适应联合字典重构融合图像。实验结果表明，与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比，所提方法的融合图像能够保留更多的图像细节信息，对比度和清晰度较好，病灶边缘清晰，客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为：71.0783、21.9708、3.6790、0.6603、0.7352和0.7339。该方法可以应用于临床诊断和辅助治疗。

针对稀疏编码相似性测度在非刚性医学图像配准中对灰度偏移场具有较好的鲁棒性，但只适用于单模态医学图像配准的问题，提出基于多通道稀疏编码的非刚性多模态医学图像配准方法。该方法将多模态配准问题视为一个多通道配准问题来解决，每个模态在一个单独的通道下运行；首先对待配准的两幅图像分别进行合成和正则化，然后划分通道和图像块，使用 K奇异值分解（ K-SVD）算法训练每个通道中的图像块得到分析字典和稀疏系数，并对每个通道进行加权求和，采用多层P样条自由变换模型来模拟非刚性几何形变，结合梯度下降法优化目标函数。实验结果表明，与局部互信息、多通道局部方差和残差复杂性（MCLVRC）、多通道稀疏诱导的相似性测度（MCSISM）、多通道Rank Induced相似性测度（MCRISM）多模态相似性测度相比，均方根误差分别下降了30.86%、22.24%、26.84%和16.49%。所提方法能够有效克服多模态医学图像配准中灰度偏移场对配准的影响，提高配准的精度和鲁棒性。

针对目前使用单字典表示脑部医学图像难以得到精确的稀疏表示进而导致图像融合效果欠佳，以及字典训练时间过长的问题，提出了一种改进耦合字典学习的脑部计算机断层成像（CT）/磁共振成像（MR）图像融合方法。该方法首先将CT和MR图像对作为训练集，使用改进的K奇异值分解（K-SVD）算法联合训练分别得到耦合的CT字典和MR字典，再将CT和MR字典中的原子作为训练图像的特征，并使用信息熵计算字典原子的特征指标；然后，将特征指标相差较小的原子看作公共特征，其余为各自特征，并分别使用"平均"和"选择最大"的规则融合CT和MR字典的公共特征和各自特征得到融合字典；其次，将配准的源图像编纂成列向量并去除均值，在融合字典的作用下由系数重用正交匹配追踪（CoefROMP）算法计算得到精确的稀疏表示系数，再分别使用"2范数最大"和"加权平均"的规则融合稀疏表示系数和均值向量；最后通过重建得到融合图像。实验结果表明，相对于3种基于多尺度变换的方法和3种基于稀疏表示的方法，所提方法融合后图像在亮度、清晰度和对比度上都更优，客观参数互信息、基于梯度、基于相位一致和基于通用图像质量指标在三组实验条件下的均值分别为：4.1133、0.7131、0.4636和0.7625，字典学习在10次实验条件下所消耗的平均时间为5.96 min。该方法可以应用于临床诊断和辅助治疗。

针对传统的脉冲耦合神经网络（PCNN）融合方法中参数过多，以及参数和网络迭代次数难以准确设置、融合效果差等缺点，提出了一种用连接突触计算网络（LSCN）模型的连接项（L项）进行图像融合的算法。首先，把两幅待融合图像分别输入到LSCN模型中；其次，使用L项代替传统PCNN中的点火频率作为输出；然后，使用多通工作方式终止迭代；最后，通过比较L项的值得到融合后图像的像素。理论分析与实验结果表明，与改进的PCNN模型和在PCNN模型的基础上提出的新模型进行图像融合的算法进行比较，所提算法得到的融合图像更有利于人眼观察；特别是与点火频率作为输出的LSCN方法相比，所提算法在边缘信息评价因子、信息熵、标准差、空间频率、平均梯度上均较优。该算法简单易行，不仅减少了待定参数数目，降低了计算复杂度，而且解决了传统模型中迭代次数难以确定的问题。

RAID采用条纹结构，使多块磁盘可并行访问，提高了带宽，适合于大块数据顺序访问，而对小块数据随机访问影响不大。针对Stripe条纹大小对RAID的读写性能进行分析，探讨多用户小数据访问模式下的IOPS(IOs per second)问题，提出粗粒度条纹布局模型。仿真实验表明：该模型的性能优于现有布局方式，显著提高小块数据随机访问性能。

查询处理是传感器网络中最重要的技术之一。以降低查询能耗为目的，提出了一种基于小世界模型的查询策略（CardSN）。该策略以关联作为长程连接，降低了网络平均路径距离；将各节点的邻居相对定位，使查询处理获得了方向性。仿真实验结果表明：CardSN具有良好的可扩展性，且能耗明显低于ZRP和CAPTURE。