针对传统超声Lamb波难以检测复合材料分层缺陷以及直观描绘缺陷形状的问题，提出一种基于稀疏表示的滤波反投影（FBP）超声层析成像重建算法。首先，提取超声Lamb波在复合材料缺陷板中的走时信号作为投影值，把对投影的一维傅里叶变换等效于对原图像进行的二维的傅里叶变换，与滤波器函数进行卷积运算并沿不同方向投影，从而得到FBP重建图像；然后，构建稀疏超分辨率模型，通过构建低分辨率图像块和高分辨图像块字典进行联合训练，以强化低分辨率和高分辨率块与真实图像块之间的稀疏相似性，并使用低分辨率块和高分辨率块构建完备的字典；最后，将FBP得到的图像代入构建的字典中得到完整的高分辨率图像。实验结果表明，相较于使用线性插值的算法重建的图像，所提算法重建图像的峰值信噪比（PSNR）、结构相似度（SSIM）和边缘结构相似度（ESSIM）值分别提高9.22%、2.90%与80.77%；相较于双三次样条插值算法重建的图像，所提算法重建图像的PSNR、SSIM、ESSIM分别提高4.75%、1.52%与16.5%。所提算法能够有效检测复合材料的分层缺陷，提高获得的分层缺陷图像的分辨率，强化图像的边缘细节。

跨模态图像文本检索的难点是如何有效地学习图像和文本间的语义相关性。现有的大多数方法都是学习图像区域特征和文本特征的全局语义相关性或模态间对象间的局部语义相关性，而忽略了模态内对象之间的关系和模态间对象关系的关联。针对上述问题，提出了一种基于语义关系图的跨模态张量融合网络（CMTFN-SRG）的图像文本检索方法。首先，采用图卷积网络（GCN）学习图像区域间的关系并使用双向门控循环单元（Bi-GRU）构建文本单词间的关系；然后，将所学习到的图像区域和文本单词间的语义关系图通过张量融合网络进行匹配以学习两种不同模态数据间的细粒度语义关联；同时，采用门控循环单元（GRU）学习图像的全局特征，并将图像和文本的全局特征进行匹配以捕获模态间的全局语义相关性。将所提方法在Flickr30K和MS-COCO两个基准数据集上与多模态交叉注意力（MMCA）方法进行了对比分析。实验结果表明，所提方法在Flickr30K测试集、MS-COCO1K测试集以及MS-COCO5K测试集上文本检索图像任务的Recall@1分别提升了2.6%、9.0%和4.1%，召回率均值（mR）分别提升了0.4、1.3和0.1个百分点，可见该方法能有效提升图像文本检索的精度。

为了有效地捕捉步态的连续性动态信息，快速进行身份认证和识别，提出一种以帧差能量图（FDEI）的行质量向量作为步态特征的步态识别方法。该算法通过目标检测、二值化、形态学处理、连通性分析等预处理后得到步态轮廓图像，并利用其序列的宽度进行准周期性分析，再用连续隐马尔可夫模型(CHMM)对所提取的步态帧差能量图行质量向量进行模型参数训练和识别。在CASIA数据库上进行了仿真实验，结果表明该算法具有特征提取简单、特征维数低、识别速度快和识别率高的优点，可以满足实时识别的需要。

针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题，提出了一种根据磁共振成像（MRI）图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。基于该阈值，该算法构造了一个加权函数，并用该函数对各向同性扩散和相干增强扩散进行加权。加权函数根据图像在不同结构区域的变化，自适应地调整两种扩散的权值，从而充分发挥两种扩散的优势并克服各自的不足。实验结果表明，该算法在峰值信噪比（PSNR）及平均结构相似度（MSSIM）的评价上优于一些经典算法。因此，该算法的降噪及保护、增强边缘的能力更为优越。