由于眼底血管结构复杂多变，且图像中血管与背景对比度低，眼底血管分割存在巨大困难，尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息，但由于其输出为灰度图像，并采用硬阈值实现二值化，这会导致血管区域丢失、血管过细等问题。针对这些问题，提出一种结合U-Net与脉冲耦合神经网络（PCNN）各自优势的眼底血管分割方法。首先使用迭代式U-Net模型凸显血管，即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强；然后，将U-Net输出结果视为灰度图像，利用自适应阈值PCNN对其进行精准血管分割；在U-Net模型中引入Batch Normalization和Dropout，提高训练速度，有效缓解过拟合问题。实验结果表明，所提方法的AUC在DRVIE、STARE和CHASE_DB1数据集上分别为0.979 6，0.980 9和0.982 7。该方法可以提取更多的血管细节，且具有较强的泛化能力和良好的应用前景。

为解决交通道路行驶车辆车标识别中存在的目标小、噪声大、种类多的问题，提出了一种基于深度学习的目标检测算法与基于形态学模板匹配算法相结合的方法，并设计了一种高准确度且能应对新类型车标的识别系统。首先，采用通过K-Means++重新聚类锚框值，并引入残差网络的YOLOv4进行车标的一步定位；其次，通过对标准车标图像进行预处理及分割，构建二值车标模板库；接着，利用带色彩恢复的多尺度视网膜图像增强算法（MSRCR）、最大类间方差法（OTSU）等对定位到的车标进行预处理；最后，将处理好的车标与模板库中的标准车标进行汉明距离计算，求出最佳匹配。车标检测实验中，改进的YOLOv4检测精度均优于原始YOLOv4、基于车牌位置的车标两步定位法和基于散热器栅格背景的车标定位法，达到99.04%；速度略低于原始YOLOv4，高于另外两者，达到每秒50.62帧。车标识别实验中基于形态学模板匹配的识别精度均高于传统的方向梯度直方图（HOG）、局部二值模式（LBP）和卷积神经网络，达到92.68%。实验结果表明基于深度学习的车标检测算法有较高的精度和较快的速度，形态学模板匹配方法在光照变化和噪声污染的情况下仍能保持较高的识别精度。