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。