针对现存的基于自适应邻域的多视图聚类算法没有考虑噪声和共识图信息损失的问题，提出一种基于自适应邻域的鲁棒多视图聚类（RMVGC）算法。首先，为了避免噪声和异常值对数据的影响，通过鲁棒主成分分析模型（RPCA）从原始数据中学习多个干净的低秩数据；其次，用自适应邻域学习直接融合多个干净的低秩数据来得到一个干净的共识关系图，从而减少图融合过程中的信息丢失。实验结果表明，所提RMVGC算法的标准化互信息（NMI）在MRSCV1、BBCSport、COIL20、ORL和UCI digits数据集上比目前流行的多视图聚类算法分别提升了5.2、1.36、27.2、4.66和5.85个百分点。同时，该算法保持了数据局部结构，增强了对原始数据的鲁棒性，提高了关系图质量，在多视图数据集上具有较好的聚类性能。

基于孪生网络的目标跟踪目前取得了阶段性进展，即克服了孪生网络的空间不变性在深度网络中的限制，然而其仍存在外观变化、尺度变化、遮挡等因素影响跟踪性能。针对无人机（UAV）指定目标跟踪中的目标尺度变化大、目标运动模糊及目标尺度小等问题，提出了基于孪生区域候选注意力机制网络的跟踪算法Attention-SiamRPN+。首先，采用改进的深度残差网络ResNet-50作为特征提取器来提取特征；接着，使用通道注意力机制模块筛选残差网络提取出的不同通道特征图的语义属性，并重新为不同通道特征分配相应权值；然后，两个区域候选网络（RPN）进行分层融合，而RPN模块包括特征图的逐通道深度互相关、正负样本分类和边界框回归；最后框选出目标位置。在VOT2018平台上进行测试，所提算法的准确率和预期平均重叠率（EAO）分别为59.4%和39.5%；在OTB2015平台上采用一次通过评估模式进行实验，该算法的成功率和精度分别为68.7%和89.4%。实验结果表明所提算法的评估结果优于近年优秀的三种相关滤波跟踪算法和孪生网络跟踪算法，且该算法应用于UAV指定目标的跟踪上时具有良好的鲁棒性和实时处理速度。

由于网络训练不稳定，基于生成对抗网络（GAN）的图像超分辨率重建存在模式崩溃的现象。针对此问题，提出了一种基于球形几何矩匹配与特征判别的球面双判别器超分辨率重建网络SDSRGAN，通过引入几何矩匹配与高频特征判别来改善网络训练的稳定性。首先，生成器对图像提取特征并通过上采样生成重建图像；接着，球面判别器将图像特征映射至高维球面空间，充分利用特征数据的高阶统计信息；然后，在传统判别器的基础上增加特征判别器，提取图像高频特征，重建特征高频分量和结构分量两方面；最后，对生成器与双判别器进行博弈训练，提高生成器重建图像质量。实验结果表明，所提算法能有效收敛，其网络能够稳定训练，峰值信噪比（PSNR）为31.28 dB，结构相似性（SSIM）为0.872，而与双三次差值、超分辨率残差网络（SRResNet）、加速的卷积神经网络超分辨率（FSRCNN）、基于GAN的单图像超分辨率（SRGAN）和增强型超分辨率生成对抗网络（ESRGAN）算法相比，所提算法的重建图像具有更加逼真的结构纹理细节。所提算法为基于GAN的图像超分辨率研究提供了球形矩匹配与特征判别的双判别方法，在实际应用中可行且有效。

针对多核子空间谱聚类算法没有考虑噪声和关系图结构的问题，提出了一种新的联合低秩稀疏的多核子空间聚类算法(JLSMKC)。首先，通过联合低秩与稀疏表示进行子空间学习，使关系图具有低秩和稀疏结构属性；其次，建立鲁棒的多核低秩稀疏约束模型，用于减少噪声对关系图的影响和处理数据的非线性结构；最后，通过多核方法充分利用共识核矩阵来增强关系图质量。7个数据集上的实验结果表明，所提算法JLSMKC在聚类精度(ACC)、标准互信息(NMI)和纯度(Purity)上优于5种流行的多核聚类算法，同时减少了聚类时间，提高了关系图块对角质量。该算法在聚类性能上有较大优势。

为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题，提出了一种尺度自适应的跟踪方法。首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动，引入前向后向跟踪方法保留可信特征点；其次将可信点用于尺度变化估计；然后将尺度估计应用到可调高斯窗上；最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态，修改了模板更新策略。解决了核跟踪滤波器中目标尺度固定的限制，使得跟踪器更具鲁棒性与准确性。在目标跟踪视频集上测试算法效果。实验结果表明，所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。与原方法相比，改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。

针对非结构化道路场景复杂干扰因素较多、检测困难的问题，提出了一种基于轮廓特征和二维最大熵的道路检测算法。采用融合色彩特征不变量的二次二维最大熵分割算法对道路图像进行分割；利用边界跟踪算法提取分割图像的轮廓特征，根据道路区域的位置和几何特性选取最大轮廓；通过改进Mid-to-side算法进行边缘点搜索，用三阶道路模型重建道路边界，并对道路方向进行判断。实验结果表明，所提算法与传统算法相比，对三类不同场景下非结构化道路的检测准确率可提高25%左右，具有较强抗阴影干扰的能力，并能有效识别道路方向。

针对跨层多用户多输入多输出-正交频分复用（MIMO-OFDM）系统，以系统最大吞吐量为目标，给出一种基于部分信道状态信息的跨层资源分配算法。该优化问题设计的目标函数包括功率限制、传输速率、子载波占用、不同业务的服务质量需求与数据链路层的队列状态信息等约束条件。在数据链路层存在有限缓存条件下，通过均值反馈模型描述信道状态信息的反馈过程，推导出相应的跨层资源分配准则。仿真结果表明，所提算法与现有方案相比，满足了不同业务用户的QoS要求，并获得了好的吞吐率，降低了丢包率。

针对基于偏微分方程(PDE)的图像去噪模型不能有效地去除脉冲噪声，并且低阶偏微分方程在去噪的同时会出现“块效应”现象的问题，提出一种融合偏微分方程和自适应中值滤波的图像去噪模型。该模型通过对图像梯度的分析，在梯度变化剧烈区域和梯度变化微小区域利用二阶模型去噪以提高去噪效率；而在梯度渐变区域利用四阶模型平滑图像以避免出现“块效应”现象。同时，利用脉冲噪声梯度值远大于边缘梯度值的特点，定位脉冲噪声所在区域，在该区域利用自适应中值滤波消除脉冲噪声。该方法能有效去除脉冲噪声，保护图像边缘并消除“块效应”现象，同时提高了去噪效率。实验表明了该模型的有效性。

针对多用户空时分组码—正交频分复用(STBC-OFDM)下行链路系统，以总发射功率最小化为优化目标，给出一种在空间相关瑞利衰落信道下基于部分信道状态信息(CSI)的自适应子载波分配算法。该算法利用克罗内克(Kronecker)模型表示每个子载波对应的空间相关多输入多输出(MIMO)瑞利衰落信道，并通过动态发射端的信道状态信息(CSIT)模型来描述CSI的反馈过程，从而应用STBC的基本原理推导出相应的子载波分配原则。实验结果表明，该算法不仅能有效地反映天线相关矩阵中相关系数以及延时反馈参数对系统性能的影响，而且与未利用CSIT模型的子载波分配相比具有较好的性能。

针对粘连或重叠颗粒图像的分割问题，提出了一种基于特征模糊推理的局部形态学重构参数计算方法，对传统的距离变换结合分水岭的算法进行了改进。在传统距离变换结合分水岭方法的基础上，将颗粒图像划分成若干连通区域，每个连通区域单独处理，使用形态学局部重构的方法抑制分水岭的过分割现象。通过对距离图像连通区域极大值进行统计分析，提取该连通区域的颗粒形态特征。将颗粒形态特征作为模糊输入，重构参数特征作为模糊输出，使用模糊推理方法自适应地计算重构参数，解决了重构参数选取的不确定性问题。最后对重构图像进行分水岭变换得到颗粒分割图像。实验结果表明，该方法对各种粘连状态的颗粒分割效果良好，克服了传统方法的过分割与参数自适应选择的问题。

提出了基于异构包对序列的网络瓶颈测试方法，定义子路径瓶颈带宽的测试条件，设计了子路径和路径瓶颈测试算法，并通过仿真实验，证实了上述算法的有效性，使用异构包对序列方法，能够在短时间内测试出瓶颈带宽和发现瓶颈链路。