非规则缺失区域的图像修复技术用途广泛但具有挑战性。针对现有修复方法对高分辨率图像可能会产生伪影、扭曲结构和模糊纹理的问题，提出一种融合监督注意力模块（SAM）和跨阶段特征融合（CSFF）的图像修复改进网络（Gconv_CS）。在Gconv的两阶段网络模型上，引入了SAM与CSFF模块。SAM通过提供真实图像监督信号，监督上阶段输出特征，确保传入下阶段特征信息的有效性。CSFF将上阶段编码器-解码器的特征融合后送入下阶段的编码器，以弥补上阶段修复中特征信息的损失。实验结果表明，在缺失区域占比为1%~10%时，相较于基线模型Gconv，Gconv_CS在CelebA-HQ数据集上峰值信噪比（PSNR）和结构相似性指数（SSIM）分别提高了1.5%和0.5%，Fréchet起始距离（FID）和L1损失分别降低了21.8%、14.8%；在Place2数据集上，前2个指标分别提高了26.7%和0.8%，后2个指标分别降低了7.9%、37.9%。将Gconv_CS用于去除大熊猫面部遮挡物时，取得了较好的修复视觉效果。

针对基于共享最近邻的密度峰聚类算法中的近邻参数需要人为设定的问题，提出了一种基于自适应近邻参数的密度峰聚类算法。首先，利用所提出的近邻参数搜索算法自动获得近邻参数；然后，通过决策图选取聚类中心；最后，根据所提出的代表点分配策略，先分配代表点，后分配非代表点，从而实现所有样本点的聚类。将所提出的算法与基于共享最近邻的快速密度峰搜索聚类（SNN?DPC）、基于密度峰值的聚类（DPC）、近邻传播聚类（AP）、对点排序来确定聚类结构（OPTICS）、基于密度的噪声应用空间聚类（DBSCAN）和K-means这6种算法在合成数据集以及UCI数据集上进行聚类结果对比。实验结果表明，所提出的算法在调整互信息（AMI）、调整兰德系数（ARI）和FM指数（FMI）等评价指标上整体优于其他6种算法。所提算法能自动获得有效的近邻参数，且能较好地分配簇边缘区域的样本点。

基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大，红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题，进而影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题，提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法，并将该方法用于基于YOLOv4-Tiny的野生动物目标检测。首先，采集、标注并构建了一个新的野生动物数据集，该数据集具有明显的长尾数据特征；其次，采用基于迁移学习的两阶段方法训练神经网络，第一阶段在分类损失函数中采用无加权方式进行训练，而在第二阶段提出了两种改进的重加权方法，并以第一阶段所得权重作为预训练权重进行重加权训练；最后，对野生动物测试集进行测试。实验结果表明，在分类损失采用交叉熵损失函数和焦点损失函数下，所提出的长尾数据解决方法达到了60.47%和61.18%的平均精确率均值（mAP），相较于无加权方法在两种损失函数下分别提高了3.30个百分点和5.16个百分点，相较于所提改进的有效样本加权方法在焦点损失函数下提高了2.14个百分点，说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。

针对稀疏子空间聚类（SSC）方法聚类误差大的问题，提出了基于随机分块的SSC方法。首先，将原问题数据集随机分成几个子集，构建几个子问题；然后，采用交替方向乘子法（ADMM）分别求得几个子问题的系数矩阵，之后将几个系数矩阵扩充成与原问题一样大小的系数矩阵，并整合成一个系数矩阵；最后，根据整合得到的系数矩阵计算得到一个相似矩阵，并采用谱聚类（SC）算法获得原问题的聚类结果。相较于稀疏子空间聚类（SSC）、随机稀疏子空间聚类（S³COMP-C）、基于正交匹配追踪的稀疏子空间聚类（SSCOMP）、谱聚类（SC）和K均值（K-Means）算法中的最优算法，基于随机分块的SSC方法将子空间聚类误差平均降低了3.12个百分点，且其互信息、兰德指数和熵3个性能指标都明显优于对比算法。实验结果表明基于随机分块的SSC方法能降低子空间聚类误差，改善聚类性能。