针对传统图像超分辨率重建方法存在的重建图像模糊、噪声量大、视觉感差等问题，提出了一种基于混合深度卷积网络的图像超分辨率重建方法。首先，在上采样阶段将低分辨率图像放缩至指定大小；然后，在特征提取阶段提取低分辨率图像的初始特征；接着，将提取到的初始特征送入卷积编解码结构进行图像特征去噪；最后，在重建层用空洞卷积进行高维特征提取与运算，重建出高分辨率图像，并且使用残差学习快速优化网络，在降低噪声的同时，使重建图像的清晰度及视觉效果更优。在Set14数据集放大尺度×4的基准下，将所提方法与双三次插值（Bicubic）、锚定邻域回归（A+）、超分辨卷积神经网络（SRCNN）、极深度超分辨网络（VDSR）、编解码网络（REDNet）等超分辨率重建方法进行对比。在超分辨实验中，所提方法与对比方法比较，峰值信噪比（PSNR）分别提升了2.73 dB、1.41 dB、1.24 dB、0.72 dB和1.15 dB，结构相似性（SSIM）分别提高了0.067 3，0.020 9，0.019 7，0.002 6和0.004 6。实验结果表明，混合深度卷积网络能够有效地对图像进行超分辨率重建。

为了实现三维人脸识别算法对表情变化的鲁棒性，提出一种基于语义对齐的多区域模板融合三维人脸识别算法。首先，为了实现三维人脸在语义上的对齐，将所有三维人脸模型与预定义标准参考模型做稠密对齐。然后，根据人脸表情具有区域性的特点，为了不受限于区域划分的精准度，提出基于多区域模板的相似度预测方法。最后，采用多数投票法将多个分类器的预测结果融合得到最终识别结果。实验结果表明，在FRGC v2.0表情三维人脸数据库上所提算法可以达到98.69%的rank-1识别率，在含有遮挡变化的Bosphorus数据库上该算法达到84.36%的rank-1识别率。

针对现有的帧内块复制（IBC）算法不能很好地适应屏幕图像具有各种不同大小和形状样图的问题，为了进一步提高屏幕图像的编码效率，提出了一种帧内微块复制（IMBC）算法。该算法首先将当前编码单元（CU）划分成 L个微块。然后以每个微块作为最小的匹配和复制单元，采用匹配微块组选择算法，在参考像素集合 R中找到与当前微块最匹配的“参考微块”。用 L个位移矢量（DV）来表示“参考微块”所在位置与当前CU所在位置的位移关系。最后，对 L个位移矢量应用预测算法以消除位移矢量之间的相关性后进行熵编码。对于屏幕图像标准测试数据集合中的视频序列，IMBC算法与IBC算法相比，在编码复杂度增加较低的前提下，在全帧内（AI）、随机接入（RA）、低延迟（LB）三种编码配置中，有损BD-rate降低率分别达3.4%、2.9%、2.6%，无损Bit-rate降低率分别达9.5%、5.2%、5.1%，能有效提高屏幕图像的编码效率。