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.

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.

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.

针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题，提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度，通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数，对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析，同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响，结果表明，改进的算法在测试函数的极值计算中，计算精度和收敛速度方面都有了明显提升，验证了改进算法的有效性.

深度学习给模式识别与机器学习带来了巨大的变化，已成功应用于语言处理、图像处理、信号处理、商业经济等方面.受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）是一个表示能力强、很好的生成模型，多个RBM堆叠而构成的深度信念网络模型（Deep Belief Nets，DBN）的学习时间会较长.为加快整个DBN网络的学习时间和提高分类效果，本文提出基于动量方法RBM的一种有效算法.该算法在RBM预训练阶段，结合梯度上升算法特点采取快速上升的动量方式；以及BP算法微调阶段，为了能精确的找到最优点，结合梯度下降算法特点，相应的引入缓慢下降式的动量项，即在梯度上升和梯度下降过程中都使用不同的动量方式.本文算法在MNIST手写数字体和CMU-PIE人脸数据库上进行了实验，结果表明，提出的改进算法能够有效地增强图像特征的表达能力，提高图像的分类效果和实验效率.

针对RGB图像具有丰富的色彩细节特征，红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点，提出了一种非对称并行语义分割模型APFCN（Asymmetric Parallelism Fully Convolutional Networks）.APFCN上路设计了一个卷积核尺寸非统一的五层空洞卷积网络来提取红外图像目标高层轮廓特征；下路沿用卷积加池化网络提取RGB图像三个尺度上的细节特征；后端将红外图像高层特征与RGB图像三个尺度的细节特征进行融合，并将4倍上采样后的融合特征作为语义分割输出.结果表明，APFCN在像素精度和交并比等方面均优于FCN（输入为RGB图像或红外图像），适用于背景一致下地面目标的语义分割任务.

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.

协同过滤作为推荐系统核心技术，面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题，然而，目前的方法侧重于提取文本的单维特征，忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息，有助于提升推荐效果.为此，本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征，并以正则化方式融入概率矩阵分解框架，建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.

随着网络结构的不断扩大和日益复杂，传统的重叠社区发现算法已经不能有效地处理大规模网络数据，发现合理的社区结构.本文提出了顶点引力的概念，引入顶点凝聚度和社区凝聚度作为满足社区的外部结构稀疏性和社区内部结构紧密性的判定指标，构造了基于结构紧密性的重叠社区发现算法OCSC.该算法经过预处理，核心子图划分以及核心社区的扩展三个步骤，能有效地发现重叠社区，通过对人工合成网络和真实网络结构的社区发现实验，运用NMI和F1Score等指标验证OCSC算法的合理性和优越性.

针对复杂战场环境下机动目标跟踪难题，提出一种认知雷达目标跟踪算法.基于人类"感知-行动"循环思想，首先把目标径向距离、径向速度和方位等量测的克拉美罗下限近似为量测误差协方差，用信息熵描述目标跟踪的不确定性，然后以最小熵为准则建立了雷达接收端数据和发射端信号处理之间联系；为避免传统交互式多模型（Interacting Multiple Model，IMM）算法由于模型转移概率设置不合理所带来的跟踪精度下降问题，受人脑三阶段记忆机制启发，将"记忆"嵌入IMM算法，通过自适应调整模型转移概率，增强了优势模型的交互主导性，弱化了不匹配模型的不良竞争.仿真实验验证了算法的有效性.