针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题，提出一种基于卷积神经网络（CNN）的弱光照图像增强算法。首先，利用四种图像增强手段处理弱光照图像得到四张派生图，分别为：限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图；然后，将弱光照图像及其四张派生图输入到CNN中；最后经过CNN的激活，输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射，不需要按照Retinex模型先估计光照图像或反射率图像，也无需调整任何参数。所提算法与NPEA（Naturalness Preserved Enhancement Algorithm for non-uniform illumination images）、LIME（Low-light image enhancement via Illumination Map Estimation）、LNET（LightenNet）等算法进行了对比。在合成弱光照图像的实验中，所提算法的均方误差（MSE）、峰值信噪比（PSNR）、结构相似度（SSIM）指标均优于对比算法。在真实弱光照图像实验中，所提算法的平均自然图像质量评价度量（NIQE）、熵指标为所有对比方法中最优，平均对比度增益指标在所有方法中排名第二。实验结果表明：相对于对比算法，所提算法的鲁棒性较好；经所提算法增强后，图像的细节更丰富，对比度更高，拥有更好的视觉效果和图像质量。

针对计算视觉领域图像实例检索的问题，提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征，并利用逆文档频率（IDF）方法加权深度特征得到特征显著图；然后将其作为约束，引导深度特征通道重要性排序以提取不同特殊语义区域深度特征，排除背景和噪声信息的干扰；最后使用全局平均池化进行特征聚合，并利用主成分分析（PCA）降维白化得到图像的全局特征表示，以进行距离度量检索。实验结果表明，所提算法提取的图像特征向量语义信息更丰富、辨识力更强，在四个标准的数据库上与当前主流算法相比准确率更高，鲁棒性更好。

针对传统的最大稳定极值区域（MSER）方法无法很好地提取低对比度图像文本区域的问题，提出一种新的基于边缘增强的场景文本检测方法。首先，通过方向梯度值（HOG）有效地改进MSER方法，增强MSER方法对低对比度图像的鲁棒性，并在色彩空间分别求取最大稳定极值区域；其次，利用贝叶斯模型进行分类，主要采用笔画宽度、边缘梯度方向、拐角点三个平移旋转不变性特征剔除非字符区域；最后，利用字符的几何特性将字符整合成文本行，在公共数据集国际分析与文档识别（ICDAR）2003和ICDAR 2013评估了算法性能。实验结果表明，基于色彩空间的边缘增强的MSER方法能够解决背景复杂和不能从对比度低的场景图像中正确提取文本区域的问题。基于贝叶斯模型的分类方法在小样本的情况下能够更好地筛选字符，实现较高的召回率。相比传统的MSER进行文本检测的方法，所提方法提高了系统的检测率和实时性。

针对现有的基于引导学习的显著性检测模型存在的训练样本不纯净和特征提取方式过于简单的问题，提出一种改进的基于引导（Boosting）的算法来检测显著性，从提升训练样本集的准确度和改进特征提取的方式来达到学习效果的提升。首先，根据显著性检测的自底向上模型产生粗选样本图，并通过元胞自动机对粗选样本图进行快速有效优化来建立可靠的引导样本，完成对原图的标注建立训练样本集；然后，在训练集上对样本进行颜色纹理特征提取；最后，使用不同特征不同核的支持向量机（SVM）弱分类器生成基于Boosting学习一个强分类器，对每幅图像的超像素点进行前景背景分类，得到显著图。在ASD数据库和SED1数据库上的实验结果显示该模型能对复杂和简单的图像生成完备清晰的显著图，并在准确率召回率曲线和曲线下面积（AUC）测评值上有较大提升。由于其准确性，能应用在计算机视觉预处理阶段。

针对图像修复结果中存在的结构连续性和纹理清晰性较差的问题，提出了一种基于自适应相似组的图像修复算法。区别于传统的以单一图像块或固定数目图像块作为修复单元的方法，该算法根据自然图像中纹理区和结构区的不同特点，自适应地选取不同数目的相似图像块，构造自适应相似组；然后以相似组作为基本单元，学习自适应字典，并构造基于稀疏表示的图像修复模型；最后，采用Split Bregman Iteration算法高效地求解目标代价函数。实验结果表明，与基于图像块的图像修复算法和图像块组稀疏表示（GSR）算法相比，该算法在峰值信噪比（PSNR）上平均提高了0.94~4.34 dB，在结构相似性指数（SSIM）上平均提高了0.0069~0.0345，同时，修复速度分别是对比算法的2.51倍和3.32倍。

针对基于结构相似性的去色图像质量评估算法没有充分利用图像的梯度特征且采用的对比度相似度特征会忽略图像连续颜色块的一致性导致算法与人类视觉主观判定有较大出入的问题，提出一种基于图像视觉相似性的去色图像质量评估算法--C2G-VSIM。该算法以彩色图像为参考图像，由不同去色算法产生的与之相关的去色灰度图像作为测试图像，对参考图像以及测试图像进行颜色空间转换，并且进行高斯滤波，充分考虑了图像亮度相似度和结构相似度特征，并在此基础上首先引入一种新的颜色一致性对比特征以促使C2G-VSIM对全局颜色对比度特征进行捕捉，其次引入梯度幅值特征至C2G-VSIM中以提高算法对图像梯度特征的敏感度，最后联合得到图像质量评估因子C2G-VSIM。在Cadík的数据集上的实验结果表明，C2G-VSIM与人类视觉主观评定的等级相关性在准确度和主观评判喜爱度上分别达到了0.8155和0.7634，相对于基于彩色图和灰度图的结构相似性（C2G-SSIM）评估算法在未增加较大耗时的情况下，准确度有明显提高。所提算法与人类视觉主观判定具有较高的一致性，且计算简单，在实际工程中能大规模且有效地对去色图像进行自动化评分。