针对现有的人体骨架动作识别算法不能充分发掘运动的时空特征问题，提出一种基于时空注意力图卷积网络（STA-GCN）模型的人体骨架动作识别算法。该模型包含空间注意力机制和时间注意力机制：空间注意力机制一方面利用光流特征中的瞬时运动信息定位运动显著的空间区域，另一方面在训练过程中引入全局平均池化及辅助分类损失使得该模型可以关注到具有判别力的非运动区域；时间注意力机制则自动地从长时复杂视频中挖掘出具有判别力的时域片段。将这二者融合到统一的图卷积网络（GCN）框架中，实现了端到端的训练。在Kinetics和NTU RGB+D两个公开数据集的对比实验结果表明，基于STA-GCN模型的人体骨架动作识别算法具有很强的鲁棒性与稳定性，与基于时空图卷积网络（ST-GCN）模型的识别算法相比，在Kinetics数据集上的Top-1和Top-5分别提升5.0和4.5个百分点，在NTURGB+D数据集的CS和CV上的Top-1分别提升6.2和6.7个百分点；也优于当前行为识别领域最先进（SOA）方法，如Res-TCN、STA-LSTM和动作-结构图卷积网络（AS-GCN）。结果表示，所提算法可以更好地满足人体行为识别的实际应用需求。

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征，工作量大，在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高，因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点，提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型，首先利用实例分割模型对道路图像进行分割，提高车道特征信息的检测能力；然后使用聚类模型提取离散的车道线特征信息点；最后提出一种自适应拟合的方法，结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合，生成最优车道线参数方程。实验结果表明，该方法提高了检测速度，在不同场景下都具有较好的检测精度，能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。

提出一种视频的分层语义联想模型,构造三个层次的信息:概念层次树,场景网络和语义对象网络。利用概念层次树来适应不同的应用环境,场景网络表示视频的时间信息,而语义对象及其关系用来表示视频镜头的内容,通过分属不同镜头的语义对象的关系来表示镜头间的语义相关度。该模型采用基于时间和语义关系的检索方法,搜索结果是收敛的。