针对低小慢无人机野外飞行场景复杂自主降落场景识别问题，提出了一种融合局部金字塔特征和卷积神经网络学习特征的野外场景识别算法。首先，将场景分为4×4和8×8块的小场景，使用方向梯度直方图（HOG）算法提取所有块的场景特征，所有特征首尾连接得到具有空间金字塔特性的特征向量。其次，设计一个针对场景分类的深度卷积神经网络，采用调优训练方法得到卷积神经网络模型，并提取深度网络学习特征。最后，连接两个特征得到最终场景特征，并使用支持向量机（SVM）分类器进行分类。所提算法在Sports-8、Scene-15、Indoor-67以及自建数据集上较传统手工特征方法的识别准确率提高了4个百分点以上。实验结果表明，所提算法能有效提升降落场景识别准确率。

针对现有的帧内块复制（IBC）算法不能很好地适应屏幕图像具有各种不同大小和形状样图的问题，为了进一步提高屏幕图像的编码效率，提出了一种帧内微块复制（IMBC）算法。该算法首先将当前编码单元（CU）划分成 L个微块。然后以每个微块作为最小的匹配和复制单元，采用匹配微块组选择算法，在参考像素集合 R中找到与当前微块最匹配的“参考微块”。用 L个位移矢量（DV）来表示“参考微块”所在位置与当前CU所在位置的位移关系。最后，对 L个位移矢量应用预测算法以消除位移矢量之间的相关性后进行熵编码。对于屏幕图像标准测试数据集合中的视频序列，IMBC算法与IBC算法相比，在编码复杂度增加较低的前提下，在全帧内（AI）、随机接入（RA）、低延迟（LB）三种编码配置中，有损BD-rate降低率分别达3.4%、2.9%、2.6%，无损Bit-rate降低率分别达9.5%、5.2%、5.1%，能有效提高屏幕图像的编码效率。

针对一维帧内串匹配(ISC)算法虽然较好地提高了屏幕图像编码效果,但是其将二维图像逐个编码单元(CU)一维化,使图像中相邻区域被分割,空间相关性得不到利用的问题,提出二维帧内串匹配(2D ISC)算法。该算法在编码器和解码器几乎不增加额外内存消耗的情况下,在高效视频编码(HEVC)的重建缓存内,利用字典编码工具,对当前CU内的像素,实现不受CU边界限制的任意二维形状的搜索和匹配;同时引入色彩量化预处理技术和水平、垂直搜索顺序自适应技术,进一步提升编码效果。通用测试条件的实验结果显示,对于典型的屏幕图像,在全帧内(AI)、随机接入(RA)和低延迟(LB)三种配置下,与HEVC相比,无损编码模式分别最多节省码率46.5%、34.8%、25.4%,有损编码模式分别最多节省码率34.0%、37.2%、23.9%;与一维帧内串匹配算法相比,无损编码模式分别最多节省码率18.3%、13.9%、11.0%,有损编码模式分别最多节省码率19.8%、20.5%、10.4%。实验结果表明了该算法的可行性和有效性。