深度学习模型在遥感影像分类中取得了显著的成绩。随着新的遥感数据不断被采集，基于深度学习的遥感影像分类模型在训练新数据、学习新知识时，对旧数据的识别性能会下降，即旧知识遗忘。为帮助遥感影像分类模型巩固旧知识和学习新知识，提出一种基于样本增量学习的遥感影像分类模型——增量协同学习知识模型（ICLKM）。该模型由两个知识网络组成，第一个网络通过知识蒸馏保留旧模型的输出，缓解知识遗忘问题；第二个网络将新数据的输出作为第一个网络的学习目标，通过维护双网络模型的一致性有效地学习新知识。最后两个网络共同学习，通过知识协同策略生成更精确的模型。在两个遥感数据集NWPU-RESISC45和AID上的实验结果表明，相较于微调训练（FT）方法，ICLKM的准确率分别提升了3.53和6.70个百分点。可见ICLKM能够有效解决遥感影像分类的知识遗忘问题，不断提高对已知遥感影像的识别准确率。

针对图像处理与机器视觉以及三维图形渲染等所具有的大规模并行处理特征,通过充分利用面向图形图像处理的多态阵列架构(PAAG)处理器的可编程性以及灵活的并行处理方式,采用操作级并行与数据级并行相结合的并行化设计方法,实现了OpenVX中Kernel函数以及3D图形渲染.实验结果表明,在OpenVX标准图像处理Kernel函数以及图形渲染的并行实现中,采用PAAG处理器中的多指令多数据(MIMD)并行处理方式可以获得斜率为1的线性加速比,比传统图形处理器(GPU)中单指令多数据(SIMD)并行处理方式所得到的斜率值小于1的非线性加速比效率更高.

面向对象方法已成为全极化合成孔径雷达（SAR）影像处理的常用方法，但是极化分解仍以组成对象的像素为计算单元，针对以像素为单位的极化分解效率低的问题，提出一种面向对象的极化分解方法。通过散射相似性系数加权迭代，获得对象的极化表征矩阵并对其收敛性进行了分析，以对象极化表征矩阵的极化分解代替对象区域内所有像素的分解，提高极化特征获取效率。在此基础上，综合影像对象空间特征，并通过特征选择与支持向量机(SVM)分类进行分析和评价。通过AIRSAR Flevoland影像数据实验表明，面向对象的分解方法能够减少对象极化特征提取的时间，同时提高地物目标的分类精度。相对于监督Wishart方法，提出方法的总体精度和Kappa值分别提高了17%和20%。

基于状态空间模型的进化算法(SEA)是一种新颖的实数编码进化算法,在实际工程优化问题中取得了良好的优化效果。为促进SEA的理论及应用研究,对交叉型SEA(SCEA)的全局收敛性进行了研究,得出SCEA不是全局收敛的结论。通过改变状态进化矩阵的构造方式和提出弹力搜索操作,得到改进交叉型SEA(SMCEA),利用齐次有限Markov链对SMCEA的全局收敛性进行了证明。最后利用两个测试函数对算法进行实验分析,结果表明,SMCEA在收敛速度、最优解搜索能力和运算时间等方面都有较大改善,验证了SMCEA的有效性,得到了SMCEA优于遗传算法(GA)和SCEA的结论。

由于智能电网输电线路监测系统的查询多数是针对无线传感器网络(WSN)的全局式查询,不能满足用户基于任意区域的灵活高效的查询需求,根据该系统的网络布局和查询特点,提出了一种基于大规模智能电网网格结构的查询方法MSQuery。MSQuery将不同网格内的查询节点的数据汇聚到一棵或多棵逻辑查询树上, 采用逻辑查询树的合并策略建立优化的回收路径。将MSQuery与采用路线型结构进行查询的RSA算法和采用簇型结构进行查询的SkySensor算法进行对比,结果显示MSQuery的平均传输消耗最小,平均剩余能量最大。实验结果表明,MSQuery可以快速地返回查询窗口内的查询结果,降低通信消耗,节省传感器节点能量。

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法，在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系，促进SEA在工程优化问题中的应用研究，利用齐次有限Markov链对SEA的全局收敛性进行分析， 证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围，同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明，弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论，为算法在工程优化问题中的应用提供了理论依据。