针对传统的局部二值模式算子缺乏像素间深层次的相关性信息，且对图像中常见的模糊及旋转变化的鲁棒性较差的问题，提出了一种结合微分特征和Haar小波分解的鲁棒纹理表达算子。在微分特征通道上，通过各向同性的微分算子提取图像中的一阶和二阶微分特征，使图像的微分特征在本质上具有旋转不变性且对图像模糊具有较强的鲁棒性；基于小波变换在时域和频域同时具有良好的局部化的特点，在小波分解特征提取通道上采用多尺度的二维Haar小波分解提取图像中的模糊鲁棒特征；最后，串联两个通道上的特征直方图来描述图像的纹理特征。在特征判别性实验中，该算子在较复杂的UMD、UIUC和KTH-TIPS纹理库上的准确率分别达到了98.86%、98.2%和99.05%，与中值稳健扩展局部二值模式（MRELBP）算子相比，准确率分别提高了0.26%、1.32%和1.12%；在对旋转变化和图像模糊的鲁棒性分析实验中，该算子在仅存在旋转变化的TC10纹理库上的分类准确率达到99.87%，在添加了不同程度高斯模糊的TC11纹理库上的分类准确率降幅仅为6%；在计算复杂度实验中，该算子的特征维度仅为324维，在TC10纹理库上的平均特征提取时间为30.9 ms。实验结果表明，结合微分特征和Haar小波分解的方法具有很强的特征判别性，对旋转和模糊的鲁棒性较强，同时具有较低的计算复杂度，在样本数据较少的场合具有很好的适用性。

针对非均匀采集点云数据压缩中压缩精度和压缩时间较难权衡的问题，提出一种结合密度阈值和三角形组逼近的压缩方法，并且用八叉树划分得到的非空体素来设置密度阈值以构造三角形组，实现点云表面模拟。首先，根据体素内点的分布确定三角形组的顶点；接着，排序顶点以生成每个三角形；最后，引入密度阈值来构造平行于坐标轴的射线，根据射线与三角形的交点来生成不同密度区域上的细分点。采用dragon、horse、skull、radome、dog和PCB点云数据，对改进区域重心法、曲率压缩法、改进曲率分级法、 K近邻长方体法和所提方法进行对比实验。实验结果表明，在相同体素尺寸下，所提方法的特征表达效果优于改进区域重心法；在压缩率接近的情况下，所提方法在时间效率上优于曲率压缩法、改进曲率分级法、 K近邻长方体法；在压缩精度上，所提方法所建模型最大偏差、标准偏差和表面积变化率皆低于改进区域重心法、曲率压缩法、改进曲率分级法和 K近邻长方体法所建模型。实验结果表明，所提方法在较好地保留特征信息的同时，可在较短的耗时下对点云实现有效压缩。

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。