针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络（FRMFNN）节点规模过大的问题，提出了一种基于随机特征映射的四层多核学习神经网络（MK-FRMFNN）算法。首先，把原始输入特征通过特定的随机映射算法转化为随机映射特征；然后，经过不同的随机核映射生成多个基本核矩阵；最后，将基本核矩阵组成合成核矩阵，并通过输出权重连接到输出层。对原始特征进行随机映射的权重是根据任意连续采样概率分布随机生成的，不需要训练更新，且对输出层的权重使用岭回归伪逆算法进行快速求解，从而避免了反复迭代耗时的训练过程。MK-FRMFNN在基本核映射时引入了不同的随机权重矩阵，生成的合成核矩阵不仅可以综合各种核函数的优势，而且可以集合各种随机分布函数的特性，使数据在新的特征空间中获得更好的特征选择和表达效果。理论和实验分析表明，与宽度学习系统（BLS）及FRMFNN等单核模型相比，MK-FRMFNN模型的节点规模减小了2/3左右，且分类性能稳定；与主流的多种多核模型相比，MK-FRMFNN模型能够对大样本数据集进行学习，并且分类性能明显更优。
域自适应的目的是利用有标记（源）域中的信息来提高未标记（目标）域模型的分类性能，且这种方法已经取得了不错的成果。然而在具有开放性的现实场景下，目标域通常包含源域中未观察到的未知类样本，这被称为开放集域自适应问题。传统的域自适应算法对这样具有挑战性的场景设定无能为力，因此提出了渐进式分离的开放集模糊域自适应算法。首先，基于引进隶属度的开放集模糊域自适应算法，探索了逐步分离目标域中已知类和未知类样本的方法；然后，仅将从目标域中分离出的已知类与源域对齐，从而减小两个域之间的分布差异，进行模糊域自适应。所提算法很好地解决了由于未知类和已知类之间的不匹配而导致的负迁移所带来的影响。在Office数据集上的6组域自适应转化实验结果表明，与传统的域自适应算法比较，所提算法在图像分类中的精度有显著的提升，验证了该算法可以逐步增强域自适应分类模型的准确性和鲁棒性。
不变矩自提出以来被广泛应用于目标识别系统中进行特征描述，这需要能够实时计算不变矩值。虽然人们提出了许多不变矩的快速算法，仍无法在单台PC机上实现不变矩的实时计算。本文分析了基于差分矩因子的不变矩快速算法的并行性，提出了一种基于CUDA（Compute Unified Device Architecture）的快速不变矩并行实现方法，并在NVIDIA Tesla C1060 GPU（Graphic Processing Unit）上实现。对所提出算法的计算性能与普通串行算法进行了对比分析。实验结果表明，本文所提出的并行计算方法极大地提高了不变矩的计算速度，可有效地用来进行实时特征提取。
