针对现有语义分割算法参数量过多、内存占用巨大导致其很难满足自动驾驶需要等现实应用的问题，提出一种基于可分离金字塔模块（SPM）的新颖、有效且轻量的实时语义分割算法。首先，利用特征金字塔形式的分解卷积和扩张卷积来构建瓶颈结构，从而以一种简单但有效的方式提取局部和上下文信息；然后，提出基于计算机视觉注意力的上下文通道注意力（CCA）模块，来利用深层语义修改浅层特征图通道权重优化分割效果。实验结果显示：所提出的算法在Cityscapes测试集上以每秒91帧的速度达到了71.86%的平均交并比（mIoU）。相较高效残差分解卷积网络（ERFNet），所提算法mIoU提高了3.86个百分点，处理速度是其2.2倍；与最新的非局部高效实时算法（LRNNet）相比，所提算法mIoU略低0.34个百分点，但处理速度每秒上升了20帧。实验结果表明，所提算法有助于完成如自动驾驶中要求的高效、准确的街道场景图像分割任务。

在粒子滤波框架下，估计的准确性受到建议分布选取的影响很大。传统的粒子滤波通常采用系统转移概率作为建议分布，但传统的建议分布选取方法由于没有考虑新的观测信息，因此不能产生准确的估计值。为此采用一种叫做Galerkin法的数学工具去构造建议分布，依据该方法构造的建议分布相对传统的方法提高了粒子滤波估计的准确性。同时，在新的跟踪算法框架中，将颜色模型和形状模型进行自适应的融合，并提出了一种新的模型更新方法，提高了目标跟踪的稳定性。实验结果证明了该跟踪算法的有效性。

通过扩展传统的基于梯度的边缘提取方法，提出一种新的简单有效的边缘提取方法。根据梯度在边缘处的响应，基于不同尺度的梯度的有机结合得到一种新的边缘特征定义。该表示方法具有自适应性，然后结合非最大抑制的思想得到响应大的位置，即自适应地将局部极大信息确认为边缘，从而得到具有鲁棒性的边缘提取结果。实验表明，该算法的性能优越，对噪声不敏感。

介绍了蚁群算法的基本思想，针对传统蚁群算法容易出现的慢收敛和易停滞等不足，提出了一种改进的蚁群算法。该方法将加权的思想引入蚁群信息素的更新当中，实验结果表明该方法相比传统的一些蚁群算法具有更好的搜索全局最优解的能力，能在加快收敛速度和降低停滞现象之间取得一个很好的平衡。

图像配准在遥感图像处理，计算机视觉，模式识别，医学图像处理等领域有着广泛的应用。配准的目的就是将同一场景的不同图像对齐或匹配，消除:配准的目的就是将同一场景的不同图像对齐或匹配，消除存在的几何畸变。介绍一种基于移动向量估计的图像配准技术,它利用复小波变换相对传统小波的一些优点，如位移不变性、多方向选择性，对移动向量进行估计。实验结果表明，使用这种方法对消除几何畸变有很好的效果。