针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题，提出一种结合特征袋（BOF）特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图（TEE）标准切面分类方法。首先采用BOF方法对超声图像进行描述；然后采用主动学习方法选择对分类器最有价值的样本作为训练集；最后，在AdaBoost算法对弱分类器的迭代训练中，根据临时强分类器的分类情况调整样本更新规则，实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明，相比AdaBoost.SAMME算法、多分类支持向量机（SVM）算法、BP神经网络和AdaBoost.M2算法，所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升，且比较难分的类别分类准确率提升最为显著。实验结果表明，在包含类间相似样本的数据集上，分类器的性能有显著提升。

针对不平衡分类中小类样本识别率低问题，提出一种基于主动学习不平衡多分类AdaBoost改进算法。首先，利用主动学习方法通过多次迭代抽样，选取少量的、对分类器最有价值的样本作为训练集；然后，基于不确定性动态间隔的样本选择策略，降低训练集的不平衡性；最后，利用代价敏感方法对多分类AdaBoost算法进行改进，对不同的类别给予不同的错分代价，调整样本权重更新速度，强迫弱分类器"关注"小类样本。在临床经胸超声心动图（TTE）测量数据集上的实验分析表明：与多分类支持向量机（SVM）相比，心脏病总体识别率提升了5.9%，G-mean指标提升了18.2%，瓣膜病（VHD）识别率提升了0.8%，感染性心内膜炎（IE）（小类）识别率提升了12.7%，冠心病（CAD）（小类）识别率提升了79.73%；与SMOTE-Boost相比，总体识别率提升了6.11%，G-mean指标提升了0.64%，VHD识别率提升了11.07%，先心病（CHD）识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明，该算法在不平稳多分类时能有效提高小类样本识别率，并且保证其他类别识别率不会大幅度降低，综合提升分类器性能。

提出了一种基于深度卷积神经网络自动识别超声心动图标准切面的方法，并可视化分析了深度模型的有效性。针对网络全连接层占有模型大部分参数的缺点，引入空间金字塔均值池层化替代全连接层，获得更多空间结构信息，并大大减少模型参数、降低过拟合风险，通过类别显著性区域将类似注意力机制引入模型可视化过程。通过超声心动图标准切面的识别问题案例，对深度卷积神经网络模型的鲁棒性和有效性进行解释。在超声心动图上的可视化分析实验表明，改进深度模型作出的识别决策依据，同医师辨别分类超声心动图标准切面的依据一致，表明所提方法的有效性和实用性。

针对目标可以同时属于多个类别的多标签分类问题,提出了一种基于浮动阈值分类器组合的多标签分类算法.首先,分析探讨了基于浮动阈值分类器的AdaBoost算法(AdaBoost.FT)的原理及错误率估计,证明了该算法能克服固定分段阈值分类器对分类边界附近点分类不稳定的缺点从而提高分类准确率;然后,采用二分类(BR)方法将该单标签学习算法应用于多标签分类问题,得到基于浮动阈值分类器组合的多标签分类方法,即多标签AdaBoost.FT.实验结果表明,所提算法的平均分类精度在Emotions数据集上比AdaBoost.MH、ML-kNN、RankSVM这3种算法分别提高约4%、8%、11%;在Scene、Yeast数据集上仅比RankSVM低约3%、1%.由实验分析可知,在不同类别标记之间基本没有关联关系或标签数目较少的数据集上,该算法均能得到较好的分类效果.

当标识示例的两个标签分别来源于两个标签集时，这种多标签分类问题称之为标签匹配问题，目前还没有针对标签匹配问题的学习算法。 尽管可以用传统的多标签分类学习算法来解决标签匹配问题，但显然标签匹配问题有其自身特殊性。 通过对标签匹配问题进行深入的研究，在连续AdaBoost(real Adaptive Boosting)算法的基础上，基于整体优化的思想，采用算法适应的方法，提出了基于双标签集的标签匹配集成学习算法，该算法能够较好地学习到标签匹配规律从而完成标签匹配。 实验结果表明，与传统的多标签学习算法用于解决标签匹配问题相比，提出的新算法不仅缩小了搜索的标签空间的范围，而且最小化学习误差可以随着分类器个数的增加而降低，进而使得标签匹配分类更加快速、准确。

在H.264标准中，为提高图像质量和压缩效率，编码器支持7种块类型在多个参考帧中搜索最佳运动矢量。参考代码采用对参考帧逐一搜索的方式，极大地增加了计算复杂度。根据相邻帧间运动矢量的相关性和连续性，使用合成运动矢量来预测最佳的匹配位置。同时，结合分块模式的终止准则可以避免不必要的参考帧搜索。实验表明，较JVT参考模型该算法编码速度能提高6倍以上，同时保证了图像的高质量和低比特率。