针对脑肿瘤图像分割模型对肿瘤区域关注度不够及易丢失空间上下文信息，导致对肿瘤区域分割效果不佳的问题，提出一种融合坐标增强学习机制（CEL）与多源采样的TransUNet脑肿瘤分割网络。首先，提出一种CEL，结合ResNetv2作为模型的浅层特征提取网络，增加对脑肿瘤区域的关注度；其次，设计深层混合采样特征提取器，并利用可变形注意力与自注意力机制对脑肿瘤的全局与局部信息进行多源采样；最后，在编码器与解码器之间设计交互层级融合（ILF）模块，从而在实现深层与浅层特征信息交互的同时减少参数的计算量。在BraTS2018和BraTS2019数据集上的实验结果表明：相较于基准TransUNet，所提模型的平均相似性系数（mDice）、平均交并比（mIoU）、平均精度均值（mAP）和平均召回率（mRecall）分别提高4.84、7.21、3.83和3.15个百分点，模型大小降低了16.9 MB。

针对小目标水漂垃圾形态多变、分辨率低且信息有限，导致检测效果不理想的问题，提出一种改进的Faster-RCNN（Faster Regions with Convolutional Neural Network）水漂垃圾检测算法MP-Faster-RCNN（Faster-RCNN with Multi-scale feature and Polarized self-attention）。首先，建立黄河兰州段小目标水漂垃圾数据集，将空洞卷积结合ResNet-50代替原来的VGG-16（Visual Geometry Group 16）作为主干特征提取网络，扩大感受野以提取更多小目标特征；其次，在区域生成网络（RPN）利用多尺度特征，设置3×3和1×1的两层卷积，补偿单一滑动窗口造成的特征丢失；最后，在RPN前加入极化自注意力，进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系，生成具有全局特征的特征图，实现更精确的目标框定位。实验结果表明，MP-Faster-RCNN能有效提高水漂垃圾检测精度，与原始Faster-RCNN相比，平均精度均值（mAP）提高了6.37个百分点，模型大小从521 MB降到了108 MB，且在同一训练批次下收敛更快。