针对主动视觉安检方法检测性能不高和检测速度慢的问题，基于Q学习（QL）算法提出了采用状态回溯的启发式Q学习（HASB-QL）算法进行最佳视角估计。该算法引入代价函数和启发函数，提高了学习效率，加快了Q学习收敛。首先，对通过安检扫描仪获取的X光图像进行单视角检测；然后，对姿势作出估计并通过在状态回溯过程中比较重复动作的选择策略获取最佳旋转角度，再次进行单视角检测，直到检测到危险品；此外，在检测过程中多于一个视角时，建立几何约束以消除误报。对GDXray数据集中的手枪和剃刀刀片的X光图像进行实验，实验结果表明，相比于以Q学习为基础的主动视觉算法，改进的主动视觉算法检测手枪所得精确率和召回率之间的加权平均值 F ₁值提高了9.60%，检测速度提高了12.45%；检测剃刀刀片所得的 F ₁值提高了2.51%，速度提高了17.39%。所提算法提高了危险品检测的性能和速度。

在正则化超分辨率重建框架下,基于M-估计理论和双边滤波思想,建立了一种鲁棒的超分辨率重建统一能量泛函。该能量泛函融合了M-估计的鲁棒性处理机制和双边滤波的双重异性加权机制,提高了算法的鲁棒性和边缘保持特性。鉴于采用最小二乘估计的CLS算法和采用最小一乘估计的Farsiu重建算法在边缘保持特性方面存在的不足,在算法实现时选用了Huber稳健M-估计。不论是视觉效果还是峰值信噪比(PSNR),实验结果都表明该算法的有效性。