由于具有较高的模型复杂度，深层神经网络容易产生过拟合问题，为了减少该问题对网络性能的不利影响，提出一种基于改进的弹性网模型的深度学习优化方法。首先，考虑到变量之间的相关性，对弹性网模型中的L1范数的不同变量进行自适应加权，从而得到L2范数与自适应加权的L1范数的线性组合。其次，将改进的弹性网络模型与深度学习的优化模型相结合，给出在这种新正则项约束下求解神经网络参数的过程。然后，推导出改进的弹性网模型在神经网络优化中具有群组选择能力和Oracle性质，进而从理论上保证该模型是一种更加鲁棒的正则化方法。最后，在多个回归问题和分类问题的实验中，相对于L1、L2和弹性网正则项，该方法的回归测试误差可分别平均降低87.09、88.54和47.02，分类测试准确度可分别平均提高3.98、2.92和3.58个百分点。由此，在理论和实验两方面验证了改进的弹性网模型可以有效地增强深层神经网络的泛化能力，提升优化算法的性能，解决深度学习的过拟合问题。

移动机器人在探索未知环境且没有外部参考系统的情况下，面临着同时定位和地图构建（SLAM）问题。针对基于特征的视觉SLAM（VSLAM）算法构建的稀疏地图不利于机器人应用的问题，提出一种基于八叉树结构的高效、紧凑的地图构建算法。首先，根据关键帧的位姿和深度数据，构建图像对应场景的点云地图；然后利用八叉树地图技术进行处理，构建出了适合于机器人应用的地图。将所提算法同RGB-D SLAM（RGB-Depth SLAM）算法、ElasticFusion算法和ORB-SLAM（Oriented FAST and Rotated BRIEF SLAM）算法通过权威数据集进行了对比实验，实验结果表明，所提算法具有较高的有效性、精度和鲁棒性。最后，搭建了自主移动机器人，将改进的VSLAM系统应用到移动机器人中，能够实时地完成自主避障和三维地图构建，解决稀疏地图无法用于避障和导航的问题。

为了能够实时地检测弹性体工件的缺陷和尺寸,设计并实现了一种基于处理器局部总线(PLB)的视频预处理IP核。对IP核所采用的结构、卷积运算的硬件实现进行研究。用System Generator工具设计LOG滤波器,最终在现场可编程门阵列(FPGA)上实现边缘检测算法。实验结果表明:与传统用软件实现边缘检测算法的方法相比,用IP核实现时间大幅减少,仅为40ms,满足弹性体工件在线检测系统中实时预处理视频的要求。