光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。

为解决现有标签数量估计算法中估计精度与复杂度之间的矛盾，在分析比较现有算法的基础上，提出一种基于序贯线性贝叶斯的射频识别（RFID）标签数量估计算法。首先，基于线性贝叶斯理论，充分利用空闲、成功和碰撞时隙数量观测值及相关性，建立了标签数量估计问题的线性模型；然后，推导了标签数量估计值的闭式表达式，给出了表达式各阶统计量的序贯式求解方法；最后，对序贯式贝叶斯算法的计算复杂度进行了分析和对比。仿真结果表明，所提算法通过序贯贝叶斯方法提高了估计精度和识别效率，当观测时隙数为帧长一半时估计误差仅为4%。该算法以线性解析式形式更新标签数量估计值，避免了穷举搜索，与高精度的最大后验概率和马氏距离算法相比，计算复杂度由 O（ n ²）和 O（ n）下降为 O（1）。经理论分析和仿真验证，基于序贯线性贝叶斯的RFID标签数量估计算法兼具高精度和低复杂度的特性，能很好地满足硬件资源受限应用场景下对标签数量的估计需求。

提出了一种针对二值图像的基于轮廓分解和局部描述的检索策略。首先从二值图像中提取物体轮廓，采用特定的方法对轮廓进行分解，得到轮廓的参考点集。求取每一个参考点的对应弧线段，构造从参考点指向对应弧线上各点的向量集合。对向量集合进行Fourier变换，得到Fourier系数可以作为该参考点的特征向量，从而原图像就被表示为特征空间中的特征点集。最后，采用点匹配的方法来计算图像之间的距离，实现二值图像的检索。实验结果表明，与目前已有的方法相比该方法具有较高的检索精度。