为了提升冰箱金属表面的缺陷检测效率，从而应对复杂的生产情况，提出了Metal-YOLOv3模型。使用随机参数变换，将缺陷数据进行了数百倍的扩充，改变原有YOLOv3模型的损失函数，引入了基于完整交并比（CIoU）所设计的CIoU损失函数，用缺陷的分布特性来降低非极大值抑制算法的阈值，并基于 K均值聚类算法计算出更适合数据特点的先验框（anchors）值以提升检测精度。在一系列的实验后，发现Metal-YOLOv3模型在检测速度上远胜于主流的区域卷积神经网络（R-CNN）模型，每秒传输帧数（FPS）达到7.59，是Faster R-CNN的14倍，而且平均精确度（AP）也达到了88.96%，比Faster R-CNN高11.33个百分点，说明所提模型同时具备良好的鲁棒性与泛化性能。可见该方法具备有效性，能实际应用于金属制品的生产。

针对多智能体系统中联合动作空间随智能体数量的增加而产生的指数爆炸的问题，采用“中心训练-分散执行”的框架来避免联合动作空间的维数灾难并降低算法的优化代价。针对在众多的多智能体强化学习场景下，环境仅给出所有智能体的联合行为所对应的全局奖励这一问题，提出一种新的全局信用分配机制——奖励高速路网络（RHWNet）。通过在原有算法的奖励分配机制上引入奖励高速路连接，将每个智能体的值函数与全局奖励直接建立联系，进而使得每个智能体在进行策略选择时能够综合考虑全局的奖励信号与其自身实际分得的奖励值。首先，在训练过程中，通过中心化的值函数结构对每个智能体进行协调；同时，这一中心化的结构也能起到全局奖励分配的作用；然后，在中心值函数结构中引入奖励高速路链接来辅助进行全局奖励分配，从而构建出奖励高速路网络；之后，在执行阶段，每个智能体的策略仅仅依赖于其自身的值函数。在星际争霸多智能体挑战的微操作场景中的实验结果表明，相比当前较先进的反直觉的策略梯度（Coma）算法和单调Q值函数分解（QMIX）算法，该网络所提出的奖励高速路在4个复杂的地图上的测试胜率提升超过20%。更重要的是，在智能体数量较多且种类不同的3s5z和3s6z场景中，该网络在所需样本数量为QMIX和Coma等算法的30%的情况下便能取得更好的结果。

针对人脸识别算法准确率受面部姿态、遮挡、图像分辨率等因素影响的问题，提出一种超分辨率摆正的方法，作用于低质量无约束输入图像上，生成高清晰度标准正面视图。主要通过估计输入图像与3D模型间的投影矩阵，产生标准正面视图，通过人脸对称性的特点，补全由于姿态、遮挡等原因所产生的面部缺失像素。在摆正过程中，为了提高图像分辨率以及避免面部像素信息丢失，引入一个16层的深度递归卷积神经网络进行超分辨率重构；并提出两个扩展：递归监督和跳跃链接，来降低网络训练难度以及缩小模型体量。在经过处理的LFW数据集上实验表明，该方法对人脸识别和性别检测算法的性能具有显著提升作用。