针对目前单目图像在深度估计中依然存在边缘以及深度最大区域预测不准确的问题，提出了一种基于金字塔分割注意力网络的单目深度估计方法（PS-Net）。首先，PS-Net以边界引导和场景聚合网络（BS-Net）为基础，引入金字塔分割注意力（PSA）模块处理多尺度特征的空间信息并且有效建立多尺度通道注意力间的长期依赖关系，从而提取深度梯度变化剧烈的边界和深度最大的区域；然后，使用Mish函数作为解码器中的激活函数，以进一步提升网络的性能；最后，在NYUD v2（New York University Depth dataset v2）和iBims-1（independent Benchmark images and matched scans v1）数据集上进行训练评估。iBims-1数据集上的实验结果显示，所提网络在衡量定向深度误差（DDE）方面与BS-Net相比减小了1.42个百分点，正确预测深度像素的比例达到81.69%。以上表明所提网络在深度预测上具有较高的准确性。

流场可视化是对流场数据进行直观分析的一种新的可视化技术，而定向线积分卷积（OLIC）算法作为一种经典的纹理可视化方法，使用该算法能明显地观察出流场方向流动的演化。为了优化可视化效果，提出了一种基于信息熵的OLIC算法。首先，基于流场矢量数据生成基于信息熵的稀疏噪声；然后，采用斜坡卷积核函数对输入纹理进行卷积计算；最后，通过计算输出纹理图像中每一个像素点的灰度值，得到最终的OLIC纹理图像。所提算法可以根据熵值在临界点区域和非临界点区域自适应地生成流线。其中临界点区域含有流场的重要信息，选择密集绘制；而在非临界点区域则选择稀疏绘制。通过在不同区域绘制不同密度的流线，所提算法节省了计算成本；与普通OLIC算法相比，所提算法的绘制速度至少提升了18.6%；在可视化效果方面，所提算法优于普通的全局绘制，使用所提算法能更仔细地观察特征区域。

针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题，提出一种改进的Libra区域卷积神经网络（R-CNN）的脑动脉狭窄影像学检测算法，用于检测计算机断层扫描血管造影（CTA）图像的颈内动脉和椎动脉狭窄。首先，在目标检测网络Libra R-CNN中以ResNet50为骨干网络，并分别在骨干网络的3、4、5阶段引入可变卷积网络（DCN），通过学习偏移量提取血管在不同断层面的形态特征；然后，将从骨干网络中提取的特征图输入至引入非局部神经网络（Non-local NN）的平衡特征金字塔（BFP）中进行更深度的特征融合；最后，将融合后的特征图输入至级联检测器，并通过提高交并比（IoU）阈值优化最终检测结果。实验结果表明，改进的Libra R-CNN检测算法相比Libra R-CNN算法，在脑动脉CTA数据集中平均准确率（AP）、AP₅₀、AP₇₅和AP_S分别提升了4.3、1.3、6.9和4.0个百分点；在公开的结肠息肉CT数据集中，AP、AP₅₀、AP₇₅和AP_S分别提升了6.6、3.6、13.0和6.4个百分点。通过在Libra R-CNN的骨干网络中加入DCN、Non-local NN和级联检测器，进一步融合特征从而学习脑动脉血管结构的语义信息，使得狭窄区域检测结果更精确，且改进算法在不同的检测任务中具有泛化能力。

针对集成电路规模扩大、片内寄存器数量激增，导致验证难度加大的问题，提出一种轻量级寄存器模型。首先,设计精简的底层结构，配合参数化设置减少寄存器模型在运行时的内存消耗;然后,分析模块级、系统级等不同层次的寄存器验证需求，使用SystemVerilog语言实现验证所需的各项功能;最后,开发内建测试用例和寄存器模型自动生成工具，缩短寄存器模型所处验证环境的建立时间。实验结果表明，在运行时内存消耗方面，该寄存器模型为通用验证方法学(UVM)寄存器模型的21.65%；在功能方面，可应用于传统的UVM验证环境和非UVM验证环境，对25类寄存器的读写属性、复位值、后门访问路径等功能进行检查。该轻量级寄存器模型在工程实践中拥有良好的通用性和灵活性，满足寄存器验证需求，能有效提高寄存器验证的效率。