针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题，提出一种基于卷积神经网络（CNN）的弱光照图像增强算法。首先，利用四种图像增强手段处理弱光照图像得到四张派生图，分别为：限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图；然后，将弱光照图像及其四张派生图输入到CNN中；最后经过CNN的激活，输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射，不需要按照Retinex模型先估计光照图像或反射率图像，也无需调整任何参数。所提算法与NPEA（Naturalness Preserved Enhancement Algorithm for non-uniform illumination images）、LIME（Low-light image enhancement via Illumination Map Estimation）、LNET（LightenNet）等算法进行了对比。在合成弱光照图像的实验中，所提算法的均方误差（MSE）、峰值信噪比（PSNR）、结构相似度（SSIM）指标均优于对比算法。在真实弱光照图像实验中，所提算法的平均自然图像质量评价度量（NIQE）、熵指标为所有对比方法中最优，平均对比度增益指标在所有方法中排名第二。实验结果表明：相对于对比算法，所提算法的鲁棒性较好；经所提算法增强后，图像的细节更丰富，对比度更高，拥有更好的视觉效果和图像质量。

针对计算视觉领域图像实例检索的问题，提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征，并利用逆文档频率（IDF）方法加权深度特征得到特征显著图；然后将其作为约束，引导深度特征通道重要性排序以提取不同特殊语义区域深度特征，排除背景和噪声信息的干扰；最后使用全局平均池化进行特征聚合，并利用主成分分析（PCA）降维白化得到图像的全局特征表示，以进行距离度量检索。实验结果表明，所提算法提取的图像特征向量语义信息更丰富、辨识力更强，在四个标准的数据库上与当前主流算法相比准确率更高，鲁棒性更好。

为了实现肌肉疲劳状态的准确检测分类，提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先，通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号，进行小波消噪等预处理之后，提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后，在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上，为更加精细地刻画人体肌肉疲劳状态，引入sEMG信号的频域特征带谱熵（BSE）；为弥补傅里叶变换分析非平稳信号的不足，引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后，为提高肌肉非疲劳和疲劳状态分类的准确度，利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类，实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验，建立sEMG信号库，提取特征进行分类实验。实验结果表明，所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类，分类准确率大于90%。

针对由于摄影角度受限，一些自然图像被铁丝网、栅栏、外墙玻璃接缝等网状遮挡物所遮挡的问题，提出了一种用于修复此类图像的网状遮挡物检测算法。对于现有算法使用单像素颜色特征和固定形状特征造成对颜色和形状不均的网状遮挡物检测效果不佳的弊端，首先将图像进行超像素分割，引入颜色与纹理直方图的联合特征来描述超像素块，将基于像素分类问题转换成基于超像素的分类问题，抑制了局部颜色变化造成的误分类；然后，使用图割算法将超像素块进行分类，使网状结构能够沿着光滑的边缘进行延伸，不受固定的形状限制，提高了对异形网状结构的检测准确率，并且不依赖Farid等提出的算法（FARID M S，MAHMOOD A，GRANGETTO M.Image de-fencing framework with hybrid inpainting algorithm.Signal，Image and Video Processing，2016，10（7）：1193-1201）所需的人工输入；其次使用新的联合特征训练支持向量机（SVM）分类器并对所有未被分类的超像素块进行分类，得到准确网状遮挡物掩膜；最后，使用SAIST算法对图像进行修复。实验中，获得的网状遮挡物掩膜比Farid等提出的算法所得到的保留了更多的细节，在修复算法不变的同时显著提升了图像修复效果。在使用相同网状遮挡物掩膜的情况下，使用SAIST算法修复得到的图片在峰值信噪比（PSNR）和结构相似性（SSIM）上分别比Farid等提出算法提高了3.06和0.02。新的掩膜检测算法联合SAIST修复算法的总体修复效果对比Farid等提出算法及Liu等提出的算法（LIU Y Y，BELKINA T，HAYS J H，et al.Image de-fencing.Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2008：1-8）有了明显提升。实验结果表明，所提算法提升了网状遮挡物的检测准确性，得到了效果更好的去除网状遮挡物的图像。

针对现有的基于引导学习的显著性检测模型存在的训练样本不纯净和特征提取方式过于简单的问题，提出一种改进的基于引导（Boosting）的算法来检测显著性，从提升训练样本集的准确度和改进特征提取的方式来达到学习效果的提升。首先，根据显著性检测的自底向上模型产生粗选样本图，并通过元胞自动机对粗选样本图进行快速有效优化来建立可靠的引导样本，完成对原图的标注建立训练样本集；然后，在训练集上对样本进行颜色纹理特征提取；最后，使用不同特征不同核的支持向量机（SVM）弱分类器生成基于Boosting学习一个强分类器，对每幅图像的超像素点进行前景背景分类，得到显著图。在ASD数据库和SED1数据库上的实验结果显示该模型能对复杂和简单的图像生成完备清晰的显著图，并在准确率召回率曲线和曲线下面积（AUC）测评值上有较大提升。由于其准确性，能应用在计算机视觉预处理阶段。

瑕疵检测是布匹质量控制的重要环节。为了使检测算法具有较高的通用性和检测精度，提出了一种基于稀疏编码的双尺度布匹瑕疵检测算法，综合了大尺度下检测稳定性高和小尺度下检测敏感性高的优点。首先，采用一种小规模过完备字典的训练方法得到大小尺度下的字典；其次，利用检测图像块在字典上的投影提取检测特征；最后，利用距离融合方法综合大小尺度下的检测结果。小规模完备字典的采用以及对大尺度下的检测进行下采样，克服了因引入双尺度而造成计算量太大的缺点。实验采用德国TILDA布匹样本库，实验结果表明，该算法能有效地检测平纹布、格子布、条纹布上的瑕疵，综合检测率达到95.9%，并且计算量适中，能够满足工业实时检测的要求，具有实际应用的价值。