针对二连杆机械臂的运动控制问题，提出了一种基于深度强化学习的控制方法。首先，搭建机械臂仿真环境，包括二连杆机械臂、目标物与障碍物；然后，根据环境模型的目标设置、状态变量和奖罚机制来建立三种深度强化学习模型进行训练，最后实现二连杆机械臂的运动控制。对比分析所提出的三种模型后，选择深度确定性策略梯度（DDPG）算法进行进一步研究来改进其适用性，从而缩短机械臂模型的调试时间，顺利避开障碍物到达目标。实验结果表明，所提深度强化学习方法能够有效控制二连杆机械臂的运动，改进后的DDPG算法控制模型的收敛速度提升了两倍并且收敛后的稳定性增强。相较于传统控制方法，所提深度强化学习控制方法效率更高，适用性更强。

针对嵌入秘密后灰度图失真明显的问题，提出一种基于像素值排序（PVO）的可逆信息隐藏算法。首先，将像素分成灰、白两层，选择灰层的像素作为目标像素，对目标像素十字交叉位置上的4个白色像素进行排序；然后根据排序结果计算两端两个像素的均值和中间两个像素的均值，利用可逆约束实现像素的动态预测；最后，根据预测结果构造预测误差直方图（PEH），使用环形复杂度实现秘密数据的自适应嵌入，并用同样的方法处理白色层像素。利用USC-SIPI标准图像库中6幅图像进行仿真实验，当嵌入容量（EC）为10000 b，平均峰值信噪比（PSNR）为61.89 dB时，该算法能有效减小携密图像的失真。

针对多数密文域可逆信息隐藏算法嵌入容量小、加密算法单一的问题，提出一种双重加密的方法，并利用码分多址复用（CDMA）的思想嵌入秘密信息。加密时将图像分块，先对像素块进行多粒度置乱加密，再对块中每个像素的中间2位用流密码加密。信息嵌入采用码分多址的思想，选取 k个长为4的相互正交的矩阵嵌入 k层秘密信息，利用矩阵的正交性实现秘密信息多层嵌入，在提高嵌入容量的同时保证了对像素点的较小改变。对不满足嵌入条件的像素块嵌入伪比特，可避免使用位置图。拥有信息提取密钥的合法接收者可以提取秘密信息；拥有图像解密密钥可以近似恢复原始图像；拥有两种密钥既可提取秘密信息又可无损恢复原始图像。实验结果表明，512×512灰度图像Lena在峰值信噪比（PSNR）大于36 dB时最大嵌入容量133 313 bit。所提算法增强了加密图像安全性，在保证可逆性的同时大大提高密文域可逆信息隐藏嵌入容量。

图像处理技术依赖于高质量的视觉显著图才能获得较好的处理结果，现有的视觉显著性检测方法通常只能检测得到粗糙的视觉显著性属性图，严重影响了图像处理的最终效果。为此，提出一种采用贝叶斯理论和统计学习的视觉显著性检测方法来检测图像的视觉显著性属性。该方法基于贝叶斯理论的静态图像的自上而下的显著性和整体显著性，将自上而下的知识和由下向上的显著性进行结合针对特征整合问题，利用线性模型的加权线性组合方法和正规化神经网络相结合的非线性加权方法来研究与所有因素相关的权值参数。根据自下而上的视觉显著性模型在两个标准数据集中采用ROC曲线来进行定量评价，结果表明非线性组合效果优于线性组合。

针对传统基于开环的汉字识别系统不完全符合人类识字过程的问题，构建了一种具有反馈结构的仿人智能识别系统。该系统根据待识别汉字的多模态定性识别结果来选择最佳的首轮识别方案，在完成识别之后，提取广义识字误差对候选字进行可信度判断和反馈校正。设计了3种广义识字误差，通过对这3种广义识字误差的类型和数值进行定性与定量相结合的分析，建立了识别结果的可信度评价指标体系和反馈校正决策机制。仿真实验结果验证了方法的可行性。

分析手写体汉字各类基本笔画间的拓扑关系，将手写体汉字图像转化为具有容错表征方式的多种汉字笔画类型在不同位置组成的几何图形。采用过程神经元网络提取手写体汉字各类型笔形，统计各类型笔形和相交点的数量，从而建立手写体汉字特征知识的数据结构表。对SCUTIRAC手写体汉字库中汉字进行了实验仿真，该方法大大降低了脱机手写体汉字识别的难度，有较高的汉字识别率。

针对汉字特点，提出一种基于汉字结构度和繁简度二类模态判别的多模式识别法。给出了汉字字型结构度类型的字型编码，以及汉字字型结构分解算法；对分解后的部件进行繁简度判断，依据各部件繁简度模态选择合适的特征提取算法，实现手写体汉字字型分解的多模式识别方法融合；对相似字采用两级分类的识别法，从而提高汉字的识别率和正确率。仿真实验验证了方法的有效性。