针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。

针对红外成像条件下人体目标受干扰严重时目标的识别准确性和鲁棒性较差的问题，提出了一种基于多特征降维和迁移学习的红外人体目标识别方法。首先，针对传统的红外人体目标特征提取方法提取某单一特征时存在信息涵盖不全面的问题，提取目标不同种类的异构特征，从而充分挖掘出红外人体目标的特点。其次，为了向后续识别分析提供有效且紧凑的特征描述，采用主成分分析方法对融合后的异构特征进行降维。最后，针对带标签的红外人体目标样本数据匮乏、训练样本和测试样本之间的分布及语义偏差导致的泛化性能差等问题，提出了一种有效的基于迁移学习的红外人体目标分类器，可较大程度地提高泛化性能和目标识别准确度。实验结果表明，所提的方法在红外人体目标数据集上的识别准确率达到了94%以上，与使用方向梯度直方图（HOG）特征、亮度自相似（ISS）特征等单一特征进行特征表示的方法以及使用传统的非迁移分类器如支持向量机（SVM）、 K-近邻算法（ KNN）等进行学习的方法相比均有所提升，且更加稳定，可以在实际的复杂红外场景中提升人体目标识别的性能。

针对基于局部或全局稀疏表示的图像显著性检测方法频繁出现提取对象不完整、边界不光滑及噪声消除不干净等问题，提出自适应融合局部和全局稀疏表示的图像显著性检测方法。首先，对原始图像进行分块处理，利用图像块代替像素操作，降低算法复杂度；其次，对分块后的图像进行局部稀疏表示，即：针对每一个图像块，选取其周围的若干图像块生成过完备字典，基于该字典对图像块进行稀疏重构，得到原始图像的初始局部显著图，该显著图能够有效提取显著性目标的边缘信息；接着，对分块后的图像进行全局稀疏表示，与局部稀疏表示过程类似，不同的是针对每一个图像块所生成的字典来源于图像四周边界处的图像块，这样可以得到能有效检测出显著性目标内部区域的初始全局显著图；最后，将初始局部和全局显著图进行自适应融合，生成最终显著图。实验结果表明，提出算法在查准率（precision）、查全率（recall）及F-measure等指标上优于几种经典的图像显著性检测方法。