中心-邻域对比度理论作为具有生理学依据的一种线索，在传统显著性检测模型中获得了广泛应用，然而该理论却很少显式地应用在基于深度卷积神经网络（CNN）的模型中。为了将经典的中心-邻域对比度理论引入深度卷积网络中，提出了一种基于高斯差分（DoG）特征网络的显著目标检测模型。首先通过在多个尺度的深度特征上构造高斯差分金字塔（DGP）结构以感知图像中显著目标的局部突出特性，进而用所得到的差分特征对语义信息丰富的深度特征进行加权选择，最终实现对显著目标的准确提取。进一步地，在提出的网络设计中采用标准的一维卷积来实现高斯平滑过程，从而在降低计算复杂度的同时实现了网络端到端的训练。通过把所提模型与六种显著目标检测算法在四个公用数据集上的实验结果进行对比，可知所提模型取得的结果在平均绝对误差（MAE）和最大F度量值的定量评价中均取得了最优表现，尤其是在DUTS-TE数据集上所提模型取得的结果的最大F度量值和平均绝对误差分别达到了0.885和0.039。实验结果表明，所提模型在复杂自然场景中对于显著目标具有良好的检测性能。

针对当前基于奇异值分解的线性最小均方误差（SVD-LMMSE）法信道估计误差相对较大的问题，提出了一种基于经验模态分解和奇异值分解（EMD-SVD）差分谱的离散小波变换（DWT）域线性最小均方误差（LMMSE）自适应信道估计算法。在对信号进行最小二乘（LS）信道估计及预滤波处理后，运用DWT对信号的高频系数进行阈值量化去噪处理；然后结合基于EMD-SVD差分谱的自适应算法，将强噪声小波系数中微弱的有效信号提取出来，并进行信号的重构；最后根据循环前缀（CP）内、外噪声方差的均值设置相应门限，对循环前缀以内的噪声进行再次处理，从而进一步降低噪声的影响。对算法的误码率（BER）和均方误差（MSE）性能进行实验仿真，实验结果表明：所提算法的整体性能明显优于经典的LS算法、传统的LMMSE算法和目前较为流行的SVD-LMMSE算法，能够较好地降低噪声的影响，并可有效提升信道估计的精确度。