迭代收缩阈值算法（ISTA）求解离焦深度恢复动态优化问题时，采用固定迭代步长，导致算法收敛效率不佳，使得重建的微观3D形貌精度不高。为此，提出一种基于加速算子梯度估计和割线线性搜索的方法优化ISTA——FL-ISTA。首先，在每一次迭代中，由当前点和前一个点的线性组合构成加速算子重新进行梯度估计，更新迭代点；其次，为了改变迭代步长固定的限制，引入割线线性搜索，动态确定每次最优迭代步长；最后，将改进的迭代收缩阈值算法用于求解离焦深度恢复动态优化问题，加快算法的收敛速度、提高微观3D形貌重建的精度。在对标准500 nm尺度栅格的深度信息重建实验中，与ISTA、快速ISTA （FISTA）和单调快速ISTA （MFISTA）相比，FL-ISTA收敛速度均有所提升，重建的深度信息值下降了10个百分点，更接近标准500 nm栅格尺度；与ISTA相比，FL-ISTA重建的微观3D形貌均方差（MSE）和平均误差分别下降了18个百分点和40个百分点。实验结果表明，FL-ISTA有效提升了求解离焦深度恢复动态优化问题的收敛速度，提高了微观3D形貌重建的精度。

对于单训练样本人脸识别，基于每人多个训练样本的传统人脸识别算法效果均不太理想。尤其是基于Fisher线性鉴别准则的一些方法，由于类内散布矩阵为零矩阵，根本无法进行识别。提出一种新的样本扩充方法，即泛滑动窗法。采用“大窗口、小步长”的机制进行窗口图像采集和样本扩充，不仅增加了训练样本，而且充分保持和强化了原始样本模式固有的类内和类间信息。然后，使用二维线性鉴别分析方法（2DLDA）对上面获得的窗口图像进行特征抽取。在ORL国际标准人脸库上进行的实验证实了所提算法的可行性和有效性。

提出了一种新的基于差空间的最大散度差鉴别特征抽取方法。该方法首先通过构造人脸图像的差空间，部分地消除由于光照条件不同而引起的人脸图像的不稳定性，然后采用最大散度差鉴别准则函数进行最优鉴别特征的抽取，这样从根本上避免了传统的Fisher线性鉴别分析中存在的“小样本问题”。最后，在ORL标准人脸库和Yale人脸库上的实验结果验证了本文算法的有效性。