针对现有产学研绩效评价体系及方法中存在的评价指标覆盖范围单一、评价样本特征表达不充分、评价模型自优化能力待提高的问题，提出主客观产学研综合绩效智能评价的评价体系及方法。首先，围绕三方合作主体，挖掘产学研合作过程中影响绩效的要素及这些要素之间的联系，自主构建主客观产学研绩效三级评价体系；其次，通过将收集到的离散序列评价样本映射至极坐标空间、马尔可夫转移矩阵等不同高维空间域，增强离散样本特征表征；然后，通过基于精英反向翻筋斗觅食的混沌优化策略设计，提高深度模型冗余压缩和超参数的全局寻优效率，构建轻量压缩及高维超参数的自适应寻优的ParNet（AParNet）分类模型；最后，将模型应用于产学研绩效评价中，实现高性能的绩效智能评价。实验结果表明，所提方法很好地贴合了离散序列非线性分类应用，同时模型中加入优化策略后，在减少计算量的同时提高了分类性能，具体体现在：与ParNet相比，AParNet中的参数量减少了10.8%，较好地实现了模型的压缩，且它在产学研绩效评价中的分类准确率可达到98.6%。在产学研绩效智能评价应用中，该方法提高了评价模型的自适应能力，能够实现准确、高效的产学研绩效评价。

针对传统直方图均衡算法细节丢失和亮度饱和的问题，提出一种将场景分类和细节保留相结合的直方图均衡改进算法。利用图像的直方图特征进行场景分类，结合场景分类及图像像素点的特征对分段式直方图均衡处理方法的参数进行优化。改进后的算法复杂度仅为O(L)(L是图像的像素灰度级)，既保留了直方图均衡算法计算量小的特点，又能避免传统直方图均衡的细节丢失和亮度饱和问题，还具有适用于不同场景的稳健处理效果。通过德州仪器公司DM648平台实测验证，该算法可以用于实时视频图像的增强。