在基于深度学习的三维点云语义分割算法中，为了加强提取局部特征细粒度能力和学习不同局部邻域之间的长程依赖性，提出一种基于注意力机制和全局特征优化的神经网络。首先，通过加性注意力的形式设计单通道注意力（SCA）模块和点注意力（PA）模块，前者通过自适应调节单通道中各点特征加强对局部特征的分辨能力，后者通过调节单点特征向量之间的重要程度抑制无用特征并减少特征冗余；其次，加入全局特征聚合（GFA）模块，聚合各局部邻域特征，以捕获全局上下文信息，从而提高语义分割精度。实验结果表明，在点云数据集S3DIS上，所提网络的平均交并比（mIoU）相较于RandLA-Net（Random sampling and an effective Local feature Aggregator Network）提升了1.8个百分点，分割性能良好，具有较好的适应性。

针对神经网络训练存在解释能力差以及不稳定问题，提出一种基于CP （Chambolle-Pock）算法求解的全变分（TV）正则项展开去噪网络（CPTV-Net），用于解决低剂量计算机断层扫描（LDCT）图像去噪问题。首先，向L1正则项模型引入TV约束项，以保留图像的结构信息；其次，采用CP算法对去噪模型进行求解并得出具体迭代步骤，保证算法的收敛性；最后，借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式，用神经网络计算模型的解，并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明，与残差编码器-解码器卷积神经网络（REDCNN）、TED-Net（Transformer Encoder-decoder Dilation Network）等五种先进的去噪方法相比，CPTV-Net具有较优的峰值信噪比（PSNR）、结构相似度（SSIM）和视觉信息保真度（VIF）评估值，能生成去噪效果明显和细节保留最为完整的LDCT图像。

针对采用时域滤波器解析重建后图像存在伪影和图像细节丢失等问题，提出了一种基于卷积神经网络（CNN）的时频域计算机断层扫描（CT）重建算法。首先，在频域中构建了基于卷积神经网络的滤波器网络，实现投影数据的频域滤波；其次，利用反投影操作算子对频域滤波后结果进行域转换得到重建图像；接着，在图像域构建网络对来自反投影层的图像进行处理；最后，在采用最小均方误差损失函数基础上引入多尺度结构相似度损失函数组成复合损失函数，减轻神经网络对结果图像的模糊效应，保留重建图像细节。图像域网络和投影域滤波网络联合作用，最终得到重建结果。在临床数据集上验证了所提算法的有效性，相较于滤波反投影（FBP）算法、全变分（TV）算法及图像域残差编解码CNN（RED-CNN）算法，当投影数目分别为180和90时，所提算法重建结果图像信噪比（PSNR）和结构相似度（SSIM）最高，且归一化均方根误差（NMSE）最小；当投影数目为360时，所提算法仅次于TV算法。实验结果表明，所提算法可以提高CT图像重建图像质量，是一种可行且有效的方法。

针对在球栅阵列（BGA）气泡检测中，由于图像干扰因素的多样性导致焊球存在边缘气泡与背景之间灰度级接近，从而造成焊球气泡分割结果不精确的问题，提出了一种结合全卷积神经网络（FCN）和K均值（K-means）聚类分割的焊球气泡分割方法。首先根据所制作的BGA标签数据集搭建FCN，通过训练该网络得到合适的网络模型，再对待测BGA图像进行预测处理得到图像的粗分割结果；然后对焊球区域映射提取，通过同态滤波法提高气泡区域辨识度，再使用K-means聚类分割对图像进行细分割处理，得到最终分割结果图；最后对原图焊球及气泡区域进行标注识别。将所提出的算法与传统BGA气泡分割算法进行对比，实验结果表明，所提出的算法对复杂BGA焊球的边缘气泡分割精确，图像分割结果与其真实轮廓高度匹配，准确度更高。

针对仿射尺度不变变换提取(ASIFT)算法计算效率低的问题,提出了一种大倾角航空倾斜影像自动匹配方法H-SIFT。该方法利用影像粗略外方位元素计算两幅待匹配影像之间的单应变换矩阵,对左影像进行二维射影变换得到其纠正影像以消除两幅影像之间的几何变形、尺度和旋转问题,再对左影像的纠正影像和右影像进行尺度不变特征变换(SIFT)。匹配时,为了适当提高正确匹配点对的数量,利用不严格的比值提纯法和左右一致性检验得到粗匹配点对,并利用随机一致性检验剔除误匹配。最后将左影像其纠正影像上的匹配点反算到左影像上。通过对国产五倾斜相机平台(SWDC-5)获取的三组典型城区航空倾斜影像数据进行实验,对于三组数据,该算法获得的正确匹配点对数量分别为ASIFT算法的2.18、1.31、1.70倍,该算法匹配耗时分别为ASIFT算法的0.93%、0.88%、0.97%。实验结果表明,与ASIFT算法相比,该算法获得的匹配点对在计算效率、数量和分布情况上都得到了显著提高。

城市内涝灾害发生时，科学调配救援资源能够有效提升城市应急救援的效率，最大限度降低灾害损失。针对城市线路受到地形、路况、内涝积水等因素影响的情况，引入连通系数和畅通系数，从而更好反映城市线路及灾情实际。鉴于蚁群算法收敛速度慢、容易陷入局部最优的缺点，通过随机选择受灾点、引入信息素更新策略改进了蚁群算法，并应用其对内涝救援路径优化模型进行求解。实证分析表明改进蚁群算法对城市内涝救援路径优化具有较好的求解效果。

为了有效提高漏洞分类的准确性,针对基于二叉树多类支持向量机分类算法的分类复杂性和分类结果依赖二叉树的结构等缺点,提出了一种基于熵的二叉树多类支持向量机的漏洞分类算法。根据定义最小超球体进行漏洞样本空间的分类,有效地通过熵的计算来描述漏洞之间的混杂程度,使得漏洞分类的计算过程被简化且能够有效减少分类结果对二叉树结构的依赖。采用公共漏洞枚举(CWE)漏洞分类体系在收集到的3000个漏洞样本上进行大量仿真实验,漏洞分类的平均准确率和平均召回率达93.3%和93.25%,高于基于二叉树多类支持向量机分类算法和K-近邻(KNN)分类算法得到的平均值。实验结果表明所提算法有效可行,能精确地实现漏洞的分类。