为解决行人重识别标注成本巨大的问题，提出了基于单标注样本的多损失学习与联合度量视频行人重识别方法。针对标签样本数量少，得到的模型不够鲁棒的问题，提出了多损失学习（MLL）策略：在每次训练过程中，针对不同的数据，采用不同的损失函数进行优化，提高模型的判别力。其次，在标签估计时，提出了一个联合距离度量（JDM），该度量将样本距离和近邻距离结合，进一步提升伪标签预测的精度。JDM改善了无标签数据标签估计的准确率低、未标记的数据没有被充分利用导致训练过程不稳定的问题。实验结果表明，和单标注样本渐进学习方法PL相比，当每次迭代增加的伪标签样本的比率为 \mathrm{0.10} 时，在MARS和 DukeMTMC-VideoReID两个数据集上的rank-1准确度达到了65.5%和76.2%，分别提升了7.6和5.2个百分点。

针对眼科医生诊断眼底图像工作耗时且易出错的问题，提出一种无监督的眼底图像硬性渗出物检测方法。首先，通过形态学的背景估计方法去除血管、暗病变区域和视盘；然后，以图像亮度通道为初始图像，利用硬性渗出物在眼底图像中的局部性和稀疏性，结合局部熵和鲁棒主成分分析方法分解得到低秩矩阵和稀疏矩阵；最后，归一化稀疏矩阵得到硬性渗出物区域。实验结果显示，在e-ophtha EX和DIARETDB1公开数据库上，所提方法在病灶水平上灵敏性为91.13%和特异性为90%，在图像水平上准确率为99.03%，平均运行时间0.5 s；与支持向量机（SVM）和K-means方法相比灵敏性高且耗时少。

针对维纳滤波算法对非平稳语音信号去噪存在的信号失真、信噪比(SNR)不高的问题,提出了一种奇异谱分析(SSA)和维纳滤波(WF)相结合的语音去噪算法SSA-WF。通过奇异谱分析将非线性、非平稳的语音信号初步去噪,提高含噪语音的信噪比以获取尽可能平稳的语音,并将其作为维纳滤波的输入,以剔除其中仍存在的高频噪声,最终获取纯净的去噪语音。在不同强度的背景噪声下进行仿真实验,结果表明SSA-WF算法在SNR和均方根误差(RMSE)等方面都要优于传统的语音去噪算法,能够有效去除背景噪声,降低有用信号的失真,适用于非线性、非平稳语音信号的去噪。

为提高图像边缘检测的准确性和鲁棒性,提出一种基于鲁棒主成分分析(RPCA)的Canny边缘检测算法。该算法对图像进行RPCA分解得到图像的主成分和稀疏成分,利用Canny算子对主成分进行边缘检测,从而实现对图像的边缘检测。该算法将图像的边缘检测问题转化为图像主成分的边缘检测问题,消除了图像信息中“污点”对检测结果的干扰,抑制了噪声。仿真实验结果表明,该算法在边缘检测的准确性和鲁棒性方面优于Log边缘检测算法、Canny边缘检测算法和Susan边缘检测算法方法。