针对传统池化方式不能提取有效特征值的问题，提出根据池化域的尺寸、池化域内的元素值和网络的训练轮数调整池化结果的自适应池化方法，该算法依据插值原理与最大值池化模型构建函数，以特定函数值作为池化结果，然后利用交叉验证进行模型对比实验。同时提出了小样本调优法以解决目前依靠经验值在全部数据集上验证选取超参数效率较低的问题。在原始数据集上，按照分层抽样的规则抽取小样本，并基于小样本数据集对已编码的超参数组合循环训练并测试，通过对识别率最高的组合解码确定最优超参数。选用DeepFashion数据库进行相关实验，结果显示自适应池化模型的识别率达到83%左右，与最大值池化模型相比提高约2.5%。通过小样本选定超参数，并与随机组合超参数在原始数据集上进行对比实验，结果显示小样本调优法选择的超参数在经验值范围内最优，识别结果为86.98%，与随机组合超参数的平均识别率相比提高了约41.4%。自适应池化方法可以扩展到其他的神经网络中，小样本调优法对高效选取神经网络的超参数提供了依据。

针对尺度不变特征变换（SIFT）算法实时性差的问题，提出了利用开放式计算语言（OpenCL）并行优化的SIFT算法。首先，通过对原算法各步骤进行组合拆分、重构特征点在内存中的数据索引等方式对原算法进行并行化重构，使得算法的中间计算结果能够完全在显存中完成交互；然后，采用复用全局内存对象、共享局部内存、优化内存读取等策略对原算法各步骤进行并行设计，提高数据读取效率，降低传输延时；最后，利用OpenCL语言在图形处理单元（GPU）上实现了SIFT算法的细粒度并行加速，并在中央处理器（CPU）上完成了移植。与原SIFT算法配准效果相近时，并行化的算法在GPU和CPU平台上特征提取速度分别提升了10.51～19.33和2.34～4.74倍。实验结果表明，利用OpenCL并行加速的SIFT算法能够有效提高图像配准的实时性，并能克服统一计算设备架构（CUDA）因移植困难而不能充分利用异构系统中多种计算核心的缺点。