针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题，提出一种部分加权损失函数SWLoss。首先，以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子，对分类损失中的不同类别进行加权，从而提高对小样本类别学习的关注程度；然后引入多任务平衡因子对分类损失和回归损失进行加权，缩小两个任务学习速率的差异；最后，在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明，与原始RefineDet相比，基于SWLoss的RefineDet明显提高了小样本类别的检测精度，它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点；与基于损失平衡函数和加权成对损失的RefineDet相比，基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。

针对监督潜在狄利克雷分布（sLDA）模型中测试图像缺乏标注，导致测试主题分布忽略目标结构的问题，提出一种结合全局和局部约束的sLDA（glc-sLDA）扣件图像分类模型。首先，人工标注训练图像，并在sLDA模型中学习得到含有结构信息的训练主题分布；然后，计算测试主题分布，将测试图像的类别概率作为全局约束，将测试图像子块与训练图像子块的主题相似程度作为局部约束；最后，以全局和局部约束的乘积为更新权值，对训练主题分布加权求和得到新的测试主题分布，并在Softmax分类器中得到测试图像的分类结果。实验结果表明，glc-sLDA模型能表达扣件结构信息，与sLDA相比，各类别的扣件图像区分性增强，分类误检率减小了55%。

针对潜在狄利克雷分布(LDA)模型忽略图像结构的问题,提出一种融合图像纹理结构信息的LDA扣件检测模型TS_LDA。首先,设计一种单通道局部二值模式(LBP)方法获得图像纹理结构,将单词的纹理信息作为标注,用单词和标注的联合分布反映了图像的结构特点;然后,将标注信息嵌入LDA,由单词和标注共同推导图像主题,改进之后的主题分布考虑了图像结构;最后,以该主题分布训练分类器,检测扣件状态。相比LDA方法,正常扣件与失效扣件在TS_LDA主题空间中的区分度增加了5%~35%,平均漏检率降低了1.8%~2.4%。实验结果表明,TS_LDA能够提高扣件图像建模精度,从而更加准确地检测扣件状态。