目前，大多数加速磁共振成像（MRI）的重建算法通过重建欠采样幅值图像，利用实值卷积进行特征提取，没有考虑MRI数据本身是复数，从而限制了对MRI复值数据的特征提取能力。为了提高对单个切片MRI复值数据特征提取能力，从而重建出细节更为清晰的单切片磁共振（MR）图像，提出复卷积双域级联网络（ComConDuDoCNet）。将原始欠采样MRI数据作为输入，使用残差特征聚合（RFA）块交替提取MRI数据的双域特征，最终重建出具有清晰纹理细节的MR图像。每个RFA块使用复卷积作为特征提取器。不同域间通过傅里叶变换或逆变换进行级联，并加入数据一致性层实现数据保真。在公开的膝关节数据集上进行实验，与双任务双域网络（DDNet）在采样率为20%的三种不同采样掩码下的对比结果表明，在二维高斯采样掩码下，所提算法的标准均方根误差（NRMSE）下降了13.6%，峰值信噪比（PSNR）提升了4.3%，结构相似性指数（SSIM）提升了0.8%；在泊松采样掩码下，所提算法的NRMSE下降了11.0%，PSNR提升了3.5%，SSIM提升了0.1%；在径向采样掩码下，所提算法的NRMSE下降了12.3%，PSNR提升了3.8%，SSIM提升了0.2%。实验结果表明，ComConDuDoCNet结合复卷积与双域学习，能够重建出细节更加清晰、视觉效果更加逼真的MR图像。

针对红外弱小目标跟踪准确性较低这一问题，提出一种基于孪生网络和Transformer的红外弱小目标跟踪方法。首先，构建多特征提取级联模块分别提取红外弱小目标模板帧和搜索帧的深度特征，并将二者分别与其对应的HOG特征进行维度层面的串联；其次，引入多头注意力机制Transformer进行模板特征图和搜索特征图的互相关操作，生成响应图；最后，通过响应图上采样网络和边界框预测网络，获得目标在图像的中心位置和回归边界框，完成对红外弱小目标的跟踪。在包含13 655张红外图像数据集上的测试结果表明：与KeepTrack跟踪方法相比，成功率提高5.9个百分点，精确率提高1.8个百分点；与TransT（Transformer Tracking）方法相比，成功率提高14.2个百分点，精确率提高14.6个百分点，证明所提方法对复杂背景下的红外弱小目标跟踪准确性更高。

磁共振成像（MRI）因其无创伤和较高的软组织对比度而被广泛地用于复杂疾病诊断。目前多通过在k空间高倍欠采样磁共振（MR）信号解决MRI速度较慢的问题，然而代表性算法重建高倍欠采样的MR图像时往往存在细节模糊的问题。因此，提出一种基于残差图卷积神经网络（RGCNET）的高倍欠采样MR图像重建算法。首先，使用自编码技术与图卷积神经网络（GCN）构建生成器；其次，将欠采样图像输入特征提取（编码）网络中从底层提取特征；接着，通过GCN块提取MR图像的高层特征；然后，通过解码网络生成初始的重建图像；最后，经过生成器和鉴别器的动态博弈得到最终的高分辨率重建图像。在FastMRI数据集上的测试结果表明，与基于空间正交注意力机制的MRI重建算法SOGAN（Spatial Orthogonal attention Generative Adversarial Network）相比，在10%、20%、30%、40%和50%的采样率下，所提算法在标准均方根误差（NRMSE）指标上分别下降了3.5%、26.6%、23.9%、13.3%和14.3%，在峰值信噪比（PSNR）指标上分别提升了1.2%、8.7%、6.9%、2.9%和3.2%，而结构相似性（SSIM）指标上分别提升了0.8%、2.9%、1.5%、0.5%和0.5%。同时，主观观察也验证了所提算法能保留更多细节和取得更逼真的视觉效果。