针对深度图像分辨率低、深度不连续性模糊问题，提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性，提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块，并根据形状自适应块构建目标像素的相似像素组；然后针对相似像素组中的每个像素，结合同场景的高分辨率彩色图像获得非局部权重，从而构建非局部回归先验。为了保持深度图像的边缘信息，对图像梯度的非局部性进行探究。不同于总变分（TV）正则化对所有像素点梯度的零均值拉普拉斯分布假设，该方法利用深度图像梯度的非局部相似性，用非局部块估计特定像素点的梯度均值，并用学习到的均值来拟合各像素点的梯度分布。实验结果表明，相较于基于边缘不一致性评价模型（EIEM），所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差（MAD）分别下降了41.1%和40.8%。

已有很多机器学习算法能够很好地应对预测分类问题，但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值，提出一种基于迁移成分分析（TCA）和支持向量机（SVM）的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维，将源领域和目标领域映射到同一再生核希尔伯特空间，从而实现边缘分布自适应；迁移完成之后在源领域上训练SVM，训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中，针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测，与传统机器学习和渐进式对齐异构域适应（HDA）相比，所提方法的准确率提升了7.8%~42.8%，F1值达到85.0%~99.0%，而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。