针对传统图转导（GT）算法计算量大并且准确率不高的问题，提出一个基于C均值聚类和图转导的半监督分类算法。首先，采用模糊C均值（FCM）聚类算法先对未标记样本预选取，缩小图转导算法构图数据集的范围；然后，构建 k近邻稀疏图，减少相似度矩阵的虚假连接，进而缩减了构图的时间，通过标记传播的方式得出初选未标记样本的标记信息；最后，结合半监督流形假设模型利用扩充的标记数据集以及剩余未标记数据集进行分类器的训练，进而得出最终的分类结果。在Weizmann Horse数据集下，所提算法分类准确率均达到96%以上，和传统仅使用图转导的分类方法相比，解决了对初始标记集的依赖性问题，将准确率至少提高了10%；将所提算法直接运用到兵马俑数据集，分类准确度也达到95%以上，明显高于传统的图转导算法。实验结果表明，基于C均值聚类和图转导的半监督分类算法，在图像分类方面有较好的分类效果，对图像的精准分类具有研究意义。

针对如何提高复杂曲面的三维模型的检索精度的问题，提出了一种基于曲度特征的三维模型检索算法。首先，在模型表面选取随机采样点，计算点所在局部曲面的高斯曲率和平均曲率，通过高斯曲率和平均曲率求出随机点的曲度值，曲度值表明了曲面的凹凸属性。然后，以模型的质心为球心，以随机点与质心距离和曲度值为坐标轴建立坐标系，统计出一定距离范围内曲度值分布的概率，构建距离与曲度的分布矩阵，以此分布矩阵作为三维模型特征描述符。该特征描述符具有旋转不变性和平移不变性，能够很好地反映复杂曲面的几何特征。最后，通过比较分布矩阵给出不同模型间的相似度。实验结果表明，该方法相比形状分布算法的检索性能有较大提高，尤其适用于具有复杂曲面的三维模型检索。

为得到鲁棒的三维重建效果,提出了一种基于未标定多幅图像的三维重建算法。该算法首先采用Harris算法检测特征点,针对双向匹配算法匹配速度慢的缺点,使用改进的双向匹配算法进行特征点匹配,在已知摄像机参数的情况下进行两幅图的三维重建；接着采用四元数算法进行坐标转换,将由每两幅图得到的不同部分的重建结果转移到同一坐标系下,实现了多幅图像的三维重建；最后利用集束调整优化重建结果。实验结果证明,该算法能获得比较满意的重建效果。