针对传统显著性检测算法分割精度低以及基于深度学习的显著性检测算法对像素级人工注释数据依赖性过强等不足，提出一种基于图割精细化和可微分聚类的无监督显著性目标检测算法。该算法采用由“粗”到“精”的思想，仅利用单张图像的特征便可以实现精确的显著性目标检测。首先利用Frequency-tuned算法根据图像自身的颜色和亮度得到显著粗图，然后根据图像的统计特性进行二值化并结合中心优先假设得到显著目标的候选区域，进而利用基于单图像进行图割的GrabCut算法对显著目标进行精细化分割，最后为克服背景与目标极为相似时检测不精确的困难，引入具有良好边界分割效果的无监督可微分聚类算法对单张显著图做进一步的优化。所提出的算法在ECSSD和SOD数据集上进行测试并与现有的7种算法进行对比，结果表明得到的优化显著图更接近于真值图，在ECSSD和SOD数据集上分别实现了14.3%和23.4%的平均绝对误差（MAE）。

针对轮胎胎冠帘线搭接缺陷的自动检测问题，提出一种基于胎冠X射线图像的检测方法。首先，依据胎冠的X射线影像和投影角计算胎冠成像的灰度累积投影曲线；然后，计算曲线的局部峰值能量分布；其次，采用前n个最大峰值能量构造投影曲线的能量特征向量，并利用支持向量机(SVM)分类器进行最大投影曲线的判别；最后，利用位置反演计算对缺陷进行定位。仿真实验结果表明，所提方法可以对生产过程中采集的1000幅胎冠图像进行有效的缺陷检测，其最高检测正确率可达97.7%。

针对无线传感器网络(WSN)数据不精确和不可靠的问题，根据感知数据的空间相关性定义了弹性空间模型，并在此基础上提出一种自适应近邻空间清洗方法(ANSA)。该方法根据感知数据波动动态调整近邻空间大小，并通过计算近邻节点测量数据的加权平均对本地数据清洗。实验结果表明，感知数据清洗后误差控制在0.5以内，与经典的加权移动平均(WMA)方法相比，所提方法的精确度更高,同时能量损耗减少约36%。