为了在牦牛养殖过程中对牦牛实现精确管理，需要对牦牛的身份进行识别，而牦牛脸识别是一种可行的牦牛身份识别方式。然而已有的基于神经网络的牦牛脸识别算法中存在牦牛脸数据集特征多、神经网络训练时间长的问题，因此，借鉴迁移学习的方法并结合视觉几何组网络（VGG）和卷积神经网络（CNN），提出了一种并行CNN（Parallel-CNN）算法用来识别牦牛的面部信息。首先，利用已有的VGG16网络对牦牛脸图像数据进行迁移学习以及初次提取牦牛的面部信息特征；然后，将提取到的不同层次的特征进行维度变换并输入到Parallel-CNN中进行二次特征提取；最后，利用两个分离的全连接层对牦牛脸图像进行分类。实验结果表明：Parallel-CNN能够对不同角度、光照和姿态的牦牛脸进行识别，在含有300头牦牛的90 000张牦牛脸图像的测试数据集上，所提算法的识别准确率达到91.2%。所提算法可以对牦牛身份进行精确识别，从而帮助牦牛养殖场实现对牦牛的智能化管理。

人脸活体检测是人脸识别过程中的一个重要环节，对于身份验证的安全性尤为重要。针对人脸识别过程存在照片、视频、面具、头套、头模等欺骗手段，通过Intel Realsense相机采集人脸RGB图和深度图信息，并在MobileNetV3的基础上提出了特征融合的轻量级活体检测网络，将深度图与RGB图的特征融合起来并且进行端到端的训练。而为了解决深度学习中参数量较大以及网络尾部对于权重区域的区分的问题，提出在网络尾部采用Streaming Module以减少网络参数量并且对权重区域进行区分。在CASIA-SURF数据集以及所制作的CQNU-LN数据集上进行仿真实验，结果表明所提方法在两个数据集上均于TPR@FPR=10E-4的级别上达到了95%的精度，相较对比方法中精度最高的ShuffleNet分别提高了0.1%和0.05%；在所制作的CQNU-3Dmask数据集上，所提方法于TPR@FPR=10E-4的级别达到了95.2%的精度，比仅训练RGB图或仅训练深度图的方法分别提升了0.9%和6.5%，并且，模型的参数文件的大小仅为1.8 MB，每秒浮点数运算量（FLOPs）仅为1.5×10 ⁶。该方法能够在实际应用中对提取到的人脸进行准确的实时检测。

人眼状态是反映疲劳程度的重要指标，头部姿势变化、光线等因素对人眼定位造成很大影响，从而影响人眼状态识别以及疲劳检测的准确性，为此提出了一种利用级联卷积神经网络通过检测人眼6个特征点来识别人眼状态进而识别人体疲劳的方法。首先，一级网络采用灰度积分投影结合区域-卷积神经网实现人眼的检测与定位；然后，二级网络将人眼图片进行分割后采用并联子卷积系统进行人眼特征点回归；最后，利用人眼特征点计算人眼开闭度识别当前人眼状态，并根据单位时间闭眼百分比（PERCLOS）准则判断人体疲劳状态。实验结果表明，利用所提方法实现了在归一化误差为0.05时，人眼6特征点的平均检测准确率为95.8%，并根据模拟视频帧的PERCLOS值识别疲劳状态验证了该方法的有效性。

蒙特卡洛定位（MCL）算法存在计算量大、定位精度差的问题，由于二维码具有携带信息的多样性、二维码识别的方便性与易用性的特点，提出一种融入二维码信息的自适应蒙特卡洛定位算法。首先，利用二维码提供的绝对位置信息修正里程计模型的累计误差后进行采样；然后，采用激光传感器提供的观测模型确定粒子的重要性权重；最后，因为重采样部分采用固定样本集会导致大计算量，所以利用Kullback-Leibler距离（KLD）进行重采样，根据粒子在状态空间的分布情况自适应调整下一次迭代所需粒子数，从而减小计算量。基于移动机器人进行的实验结果表明，改进算法与传统蒙特卡洛算法相比定位精度提高了15.09%，时间缩短了15.28%。

针对视觉同时定位与地图构建（SLAM）中容易由误差累积导致构建地图不一致的问题，提出了一种基于改进闭环检测算法的视觉SLAM（V-SLAM）系统。为了减小移动机器人长时间运行带来的累计误差，引入一种改进的闭环检测算法，改进相似性得分函数，减小感知歧义，提高闭环的识别率；同时为了减小计算量，通过Kinect直接获取环境图像以及深度信息，并采用计算量小、鲁棒性好的ORB特征进行特征提取和匹配；采用随机抽样一致性（RANSAC）算法进行误匹配删除，从而获得更准确的匹配点对，然后用PnP计算出相机位姿；更稳定、准确的初始估计位姿对后端处理至关重要，利用g2o对位姿进行无结构的迭代优化；最后在后端采用以集束调整（BA）为核心的图优化方法对位姿和路标进行优化。最终实验结果表明该系统能够满足实时性要求，并可以获得更加准确的位姿估计。

提出了一种利用混合pi-sigma模糊神经推理方法建立瓦斯涌出量的预测模型。该模型采用高斯基函数作为模糊子集的隶属度函数, 可在线动态调整隶属度函数和结论参数。与神经网络预测模型比较, 该模型具有物理意义明确、原理清晰、收敛速度快、预测精度高等特点，在对某矿瓦斯涌出量数据的仿真结果表明，该方法预测准确度高、速度快，并且结果具有可重复性，证明该方法是有效的。为便于工程实际应用, 在Matlab环境中开发了基于图形用户界面(GUI)的仿真应用界面，给出了使用方法和预测结果。实验同时表明，对所采用的数据，模型的训练精度设置为0.001时网络的泛化能力最好，网络训练精度和预测精度之间不具有正比关系。