针对智能驾驶领域中需要在内存受限的情况下得到高质量的超分辨率图像的问题，提出一种基于权重八位二进制量化的车载图像超分辨率重建算法。首先，基于八位二进制量化卷积设计信息压缩模块，减少内部冗余，增强网络内信息流动，提高重建速率；然后，整个网络由一个特征提取模块、多个堆叠的信息压缩模块和一个图像重建模块构成，并利用插值后超分辨率空间的信息与低分辨率空间重建后的图像融合，在不增加模型复杂度的基础上，提高网络表达能力；最后，算法中整个网络结构基于对抗生成网络（GAN）框架进行训练，使得到的图片有更好主观视觉效果。实验结果表明，所提算法的车载图像重建结果的峰值信噪比（PSNR）比基于GAN的超分辨率重建（SRGAN）算法提高了0.22 dB，同时其生成模型大小缩小为LapSRN的39%，重建速度提高为LapSRN的7.57倍。

针对传统稀疏编码图像分类算法提取单一类型特征，忽略图像的空间结构信息，特征编码时无法充分利用特征拓扑结构信息的问题，提出了基于多尺度特征融合Hessian稀疏编码的图像分类算法（HSC）。首先，对图像进行空间金字塔多尺度划分；其次，在各个子空间层将方向梯度直方图（HOG）和尺度不变特征转换（SIFT）进行有效的融合；然后，为了充分利用特征的拓扑结构信息，在传统稀疏编码目标函数中引入二阶Hessian能量函数作为正则项；最后，利用支持向量机（SVM）进行分类。在Scene15数据集上的实验结果表明，HSC的准确率比局部约束线性编码（LLC）高了3~5个百分点，比支持区别性字典学习（SDDL）等对比方法高了1~3个百分点；在Caltech101数据集上的耗时实验结果表明，HSC的用时比多核学习稀疏编码（MKLSC）少40%左右。所提HSC可以有效提高图像分类准确率，算法的效率也优于对比算法。