针对传统肺结节检测智能算法仅预测结节的位置，缺少医生临床习惯使用的“分叶”“纹理”“毛刺”等直观的语义解释的问题，提出一种带有语义特征得分的肺结节检测方法。将Faster R-CNN的区域建议网络（RPN）中嵌入细致度、内部结构、分叶、毛刺、边界、钙化、圆度、纹理等8个医生常用的语义特征，设计新的锚盒机制，增加全连接网络实现语义特征的回归学习，将其作为辅助信息结合Faster R-CNN训练实现肺结节检测和语义预测的联合学习。LIDC/IDRI数据集上的测试结果显示，所提方法的肺结节定位的精度为91.2%，肺结节良恶性分类的准确率、敏感性、特异性分别为81%、91.2%、70.8%。在8个语义特征得分上，医生间的差异为0.59±0.80（平均绝对误差±标准差），所提算法预测的语义解释和医生的差异为0.62±1.03，预测结果接近医生个体的差异。修改后的网络达到了较好的检测精度和语义特征预测，方便医生对机器检测结果的理解和临床解释。

为对图像融合算法进行客观准确的综合评价，提出一种基于总变差正则化（TV-L¹）结构纹理分解的评价算法。根据对人类视觉系统的研究，可知人们对图像质量的感知主要来自图像底层视觉特征，而结构特征以及纹理特征是最重要的图像底层视觉特征，但目前的图像融合质量评价算法并没有利用这两种特征来进行评价。鉴于此，将图像进行二级结构和纹理分解，根据结构和纹理图像蕴含图像特征的不同，从结构图像和纹理图像两方面分别进行相似度评价，综合各级得分得到最终的评价总得分。基于30幅图像的数据集和8种主流融合算法，参照已有的11种客观评价指标，用波达计数法和肯德尔系数检验了该评价指标的一致性，另外在主观评价图像集上验证了该客观评价指标与主观评价的一致性。

针对当前各种图像清晰度评价方法在清晰度判别过程中单调性和区分度不够以及适用范围较小的问题，提出了一种基于四元数小波变换（QWT）幅值与相位的图像清晰度评价方法。该算法通过四元数小波变换将图像从空间域变换到频率域，对得到的四元数小波变换系数进一步计算之后获得低频子带与高频子带的幅值与相位信息，求得低频子带幅值各方向的梯度之后与对应方向的相位相乘求和，最终得到两个清晰度指标值。采用该算法与多种现有算法对不同内容的图像、不同程度模糊的图像以及含有不同程度噪声的图像进行清晰度评价实验：相对于现有算法，所提算法在对上述多种图像的清晰度评价中都保持着很好的单调性与区分度。实验结果表明，所提算法不但克服了现有算法在单调性与区分度上的不足，而且所提清晰度评价指标可以应用在图像处理中。

在遥感图像融合中，融合图像光谱失真是主要存在的问题，为此提出一种结合熵主成分变换与优化方法的图像融合方法。通过熵主成分变换将庞杂的多波段数据用尽可能少的波段表示出来，减少光谱维数，且从熵的贡献角度出发完成投影变换保留更多的源波段信息。取第一熵主分量，与直方图匹配后的全色图像进行小波变换，分别获取低频和高频子图。对低频子图采用量子粒子群优化方法搜索线性加权的最优融合权值，对高频子图采用统计特征与统计模型相结合的方式完成融合，小波融合结果作为第一熵主分量。最后，熵主成分逆变换得到融合后的遥感图像。选用熵、交叉熵、标准差、梯度、相关系数和光谱扭曲度作为客观评价指标。实验结果表明，所提方法能够提升空间细节且避免融合图像光谱失真。