基于深度学习的图像分类算法通常依赖大量训练数据，然而在实际场景中通常难以获取足够大规模的高质量标注样本。针对小样本场景下分类模型泛化能力不足的问题，提出一种基于对比学习的小样本图像分类方法。首先，在训练中增加全局对比学习作为辅助目标，从而使特征提取网络从实例中获得更丰富的信息；其次，对问询样本分块并用于计算局部对比损失，从而促进模型获得从局部推断整体的能力；最后，利用显著性检测混合查询样本的重要区域，并构造复杂样本，以增强模型泛化能力。在2个公开数据集miniImageNet和tieredImageNet上进行的5-way 1-shot和5-way 5-shot的图像分类任务实验结果表明：相较于小样本学习的基线模型Meta-Baseline，所提方法在miniImageNet上的分类准确率分别提高了5.97和4.25个百分点，在tieredImageNet上的分类准确率分别提高了3.86和2.84个百分点；并且，所提方法在miniImageNet上的分类准确率比DFR（Disentangled Feature Representation）模型分别提高了1.02和0.72个百分点。可见，所提方法有效提高了小样本图像分类的准确率，具有良好的泛化能力。

现有的单目深度估计方法通常使用图像语义信息来获取深度，忽略了另一个重要的线索——失焦模糊。同时，基于失焦模糊的深度估计方法通常把焦点堆栈或者梯度信息作为输入，没有考虑到焦点堆栈各图像层之间的模糊变化量小以及焦点平面两侧具有模糊歧义性的特点。针对现有焦点堆栈深度估计方法的不足，提出一种基于三维卷积的轻量化网络。首先，设计一个三维感知模块对焦点堆栈的模糊信息进行粗提取；然后，将提取到的信息与通道差分模块输出的焦点堆栈RGB通道差分特征进行级联，构建可以识别模糊歧义性模式的焦点体；最后，利用多尺度三维卷积来预测深度。实验结果表明，与AiFDepthNet（All in Focus Depth Network）等方法相比，所提方法在DefocusNet数据集上的平均绝对误差（MAE）等7个指标上取得了最优；在NYU Depth V2数据集上的4个指标上取得了最优，3个指标上取得了次优；同时，轻量化的设计使所提方法的推理时间分别缩短了43.92%~70.20%和47.91%~77.01%。可见，所提方法能有效地提高焦点堆栈深度估计的准确性及推理速度。