深度学习在缺陷检测方面具有优越性能，然而在工业应用过程中由于缺陷概率低，无缺陷图像的检测过程占据了大部分计算时间，严重限制了整体上的有效检测速度。针对上述问题，提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络，判断型钢表面图像是否存在缺陷；精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位，并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块，以提升网络的检测性能。实验结果表明，SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧，准确率达到92.1%。与原YOLOv3算法相比，所提算法的检测速度是原YOLOv3算法的3.7倍，检测精度提高了10.4个百分点，可应用于型钢表面缺陷的快速检测。

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题，提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先，使用可变形卷积代替Darknet53网络部分残差单元的卷积层，从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力；其次，设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度，再对多尺度特征图进行跨层密集连接，从而增强对密集微小缺陷的表征能力；最后，针对型钢缺陷尺寸分布特点，使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP），与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%，且所提算法显著提升了微小剥落缺陷的检出率。另外，所提算法的每秒检测图像数量达到25.62张，满足实时检测的要求，可实际应用于型钢表面缺陷的在线检测。

针对通过脑成像对阿尔茨海默症（AD）进行人工识别存在主观性、易误诊的问题，提出了一种基于核磁共振成像（MRI）图像构建脑网络对AD进行自动识别的方法。首先，把MRI图像叠加并进行结构块划分，并通过计算任意两个结构块之间的结构相似性（SSIM）来构造网络；然后，利用复杂网络理论提取结构参数，并将其作为机器学习算法的输入实现AD的自动识别。分析发现双参数特别是节点介数和边介数作为输入时分类效果最优，进一步研究发现MRI图像划分为27个结构块时分类效果最优，对于加权网络和无权网络的准确率分别最高可达91.04%和94.51%。实验结果表明，基于MRI结构块划分构建的结构相似性复杂网络能够对AD进行准确率更高的识别。

针对可视图（VG）算法存在噪声鲁棒性差的问题，提出一种改进的有限穿越可视图（LPVG）建网方法。该算法基于可视图（VG）算法的可视性准则，并设定有限穿越视距，将时间序列中满足条件的点连接起来，从而将时间序列映射为网络。首先，对LPVG算法进行性能分析；然后，将LPVG算法结合功率谱密度（PSD）算法应用到癫痫发作前、中、后脑电信号的识别上；最后，提取三种状态下癫痫脑电信号的LPVG网络特征参数，研究癫痫对网络拓扑结构的影响。仿真结果表明，与VG和水平穿越可视图（HVG）相比，虽然LPVG算法的时间复杂度较高，但是LPVG对信号中的噪声具有较强的鲁棒性：分别对周期、随机、分形和混沌四种时间序列进行LPVG建网，发现随着噪声强度增大，LPVG网络聚类系数的波动率均为最低，分别为6.73%、0.05%、0.99%和3.20%。接下来对脑电信号的PSD和LPVG建网分析结果表明，癫痫发作中，PSD值在delta频带下显著增强，而在theta频带下显著降低；LPVG网络拓扑结构有所改变，网络中各模块的独立性有所提高，网络的平均路径长度增大，复杂度降低。所提的功率谱密度和有限穿越可视图算法能够有效表征癫痫前、中、后三种状态下的脑电信号能量分布和单通道信号可视化后的网络拓扑结构的异常，为癫痫的病理研究和临床诊断提供帮助。