深度卷积神经网络（CNN）在大规模带有标签的数据集训练下，训练后模型能够取得高的识别率或好的分类效果，而利用较小规模数据集训练CNN模型则通常出现过拟合现象。针对这一问题，提出了一种集成高斯混合模型（GMM）及条件生成式对抗网络（CGAN）的数据增强方法并记作GMM-CGAN。首先，通过围绕核心区域随机滑动采样的方法增加数据集样本数量；其次，假定噪声随机向量服从GMM描述的分布，将它作为CGAN生成器的初始输入，图像标签作为CGAN条件，训练CGAN以及GMM模型的参数；最后，利用已训练CGAN生成符合样本真实分布的新数据集。对包含12种雾型386个样本的天气形势图基准集利用GMM-CGAN方法进行数据增强，增强后的数据集样本数多达38600个，将该数据集训练的CNN模型与仅使用仿射变换增强的数据集及CGAN方法增强的数据集训练的CNN模型相比，实验结果表明，前者的平均分类正确率相较于后两个模型分别提高了18.2%及14.1%，达到89.1%。

针对"中心-周围"的显著对象探测方法频繁出现探测或提取对象不完整、边界不平滑以及其9级金字塔下采样的冗余问题，提出一种基于倒数函数-谱残差（RFSR）的显著对象探测方法。首先，利用灰度图像与其对应的高斯低通滤波的差代替"中心-周围"方法中灰度图像标准化，并减少高斯金字塔至6级以降低冗余；其次，利用倒数函数滤波器代替Gabor滤波器提取局部方向信息；接着，利用谱残差方法提取图像的谱特征；最后，将这三个特征经过适当融合生成最终显著图。在两个常用基准数据集上的实验结果表明，所提方法在准确率（precision）、召回率（recall）及F-measure等指标上均比"中心-周围"及谱残差模型有明显提高，其为进一步图像分析、对象识别及基于显著视觉关注的图像检索等理论及应用研究奠定了基础。