图像超分辨率重建（Super-resolution Reconstruction，SR）是由一张或多张低分辨率图像得到高分辨率图像的过程.近年来，SR技术不断发展，在许多领域被广泛应用.本文在回顾SR技术发展历史的基础上，全面综述了SR技术在各个时期的代表性方法，重点介绍了基于深度学习的图像超分辨率工作.我们从模型类型、网络结构、信息传递方式等方面对各种算法进行了详细评述，并对比了其优缺点.最后探讨了图像超分辨率技术未来的发展方向.

目前，基于计算机视觉分析的图像场景分类技术已被广泛研究并应用在众多学科领域中.本文从不同角度对近年来典型的场景分类技术进行了深入的探讨与比较.首先介绍了场景分类技术的背景、应用场景以及发展现状；然后基于特征提取、语义分析和机器学习的角度分别对国内外的相关研究进行系统的分析、比较及总结；最后对目前研究所面临的问题和未来技术的发展给出总结与展望.

目标检测是计算机视觉领域内的热点课题，在机器人导航、智能视频监控及航天航空等领域都有广泛的应用.本文首先综述了目标检测的研究背景、意义及难点，接着对基于深度学习目标检测算法的两大类进行综述，即基于候选区域和基于回归算法.对于第一类算法，先介绍了基于区域的卷积神经网络（Region with Convolutional Neural Network，R-CNN）系列算法，然后从四个维度综述了研究者在R-CNN系列算法基础上所做的研究：对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究.对第二类算法分为YOLO（You Only Look Once）系列、SSD（Single Shot multibox Detector）算法及其改进研究进行综述.最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下，展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点.

为了提高高分辨率图像分割效率，解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题，本文通过引入超像素HOG特征，提出了一种基于超像素多特征融合（superpixel multi-feature fusion，SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割，然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征，设计基于超像素的多特征度量算法，最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性，其算法性能接近于目前最经典图像分割算法，且本文算法的时间性能要明显优于其它对比算法.

双线性卷积网络（Bilinear CNN，B-CNN）在计算机视觉任务中有着广泛的应用.B-CNN通过对卷积层输出的特征进行外积操作，能够建模不同通道之间的线性相关，从而增强了卷积网络的表达能力.由于没有考虑特征图中通道之间的非线性关系，该方法无法充分利用通道之间所蕴含的更丰富信息.为了解决这一不足，本文提出了一种核化的双线性卷积网络，通过使用核函数的方式有效地建模特征图中通道之间的非线性关系，进一步增强卷积网络的表达能力.本文在三个常用的细粒度数据库CUB-200-2011、FGVC-Aircraft以及Cars上对本文方法进行了验证，实验表明本文方法在三个数据库上均优于同类方法.

刑侦现勘图像数据库是具有保密性高、图像内容罕见等极具行业特色的图像数据库.针对现勘图像内容复杂、目标物体不明确的特点，提出了DCT-DCT波纹理特征，并与HSV颜色直方图特征、GIST特征相融合构成融合特征.与常用的图像特征相比，DCT-DCT波纹理特征能够得到较高的检索效率，而融合特征的平均检索查准率高于构成其本身的三种特征的平均检索查准率.最后，将语义分析技术引入到检索过程中，提出基于检索结果优化的现勘图像检索算法，利用支持向量机（Support Vector Machine，SVM）分类器对查询图像进行语义提取，并对初次检索的结果进行语义分析，根据初检结果中语义类别的占比选择二次检索方案，该算法能在按例查询的基础上进一步提高平均检索查准率.

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题，提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数，提高先验框（priors anchor）与特征图层（feature map）的匹配度；同时，调整YOLOv3算法的网络结构，融合浅层特征与深层特征，形成新的大尺度检测图层，提高网络对带钢表面缺陷的检测精度.实验结果表明，改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%，较原有的YOLOv3算法提高了11%；同时检测速度保持在50fps，优于目前其它深度学习带钢表面缺陷检测算法.

当前，大部分农作物病害图像识别方法主要关注于精度而忽略了鲁棒性.在面向实际环境时，由于噪声干扰和环境因素影响导致识别精度不高.为此提出了一种高阶残差和参数共享反馈的卷积神经网络模型以应用于实际环境农作物病害识别.其中，高阶残差子网络为病害表观提供丰富细致的特征表达，以提高模型识别精度；参数共享反馈子网络用来进一步抑制原深层特征中的背景噪声，以提高模型的鲁棒性.实验结果表明，当面向实际环境农作物病害识别时，本文方法在识别精度和鲁棒性上均优于其他方法.