针对现有单图像超分辨率方法在重建过程中容易忽略原图像中不同结构-纹理的差异与联系，导致生成的高分辨率图像缺乏纹理细节并存在伪影的问题，提出了纹理细节恢复的图像超分辨率重建算法。该方法由梯度分支、纹理分支和图像超分辨率分支组成。其中，在梯度分支和纹理分支之间使用了类注意力模块处理二者的特征混淆问题，并通过双向特征融合模块实现了对结构特征与纹理特征的相互促进，作为先验信息以达到纹理细节信息增强的目的。此外，在图像超分辨率分支还通过构建特征恢复模块，利用浅层和深层信息帮助网络保留了图像中更丰富的上下文信息和纹理细节。该方法通过在DIV2K数据集上进行了网络训练，并在5个基准测试集Set5、Set14、BSD100、Urban100和MANGA109上进行了实验，峰值信噪比（PSNR, Peak Signal to Noise Ratio）分别:37.88dB、33.28dB、32.0781dB、31.89dB、38.39dB，相比现有方法均有显著提升。实验结果表明，本文方法获得了有效的重建图像并且保留更多的图像细节，生成具有边缘清晰和逼真细节的超分辨率图像。

针对遥感图像中小目标对象存在像素少、信息有限、检测困难和失准等实际问题，对YOLOv5进行改进，提出增加残差连接与跨层注意力的方法来提升模型对遥感图像中小目标的检测能力。该方法采用对特征图进行残差连接并增加检测头的方式，有效提高了YOLOv5在遥感图像中对小目标的检测能力。此外，还通过跨层注意力为不同网络层的特征附加语义信息，从而提高模型对遥感图像中复杂背景信息的抑制能力。在Detection in Optical Remote（DIOR）遥感数据集的实验中，所提方法取得了86.4%的平均精度均值（mAP），小目标检测精度评价指标（APs）达23.4%，比基准网络高出5.9个百分点。实验结果表明，所提方法在遥感图像小目标检测问题上具有较好性能，同时也验证了特征金字塔中底层特征图与注意力机制对提升小目标检测性能具有十分重要的作用。

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题，但这些算法的背景设定较为单一，没有考虑到训练集中部分身份的行人仅有一个模态样本，即跨模态身份不一致，这极大限制了算法在实际场景下的应用。为此，提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中，交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小，同时抑制跨模态身份不一致的影响，进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现，基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501，并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%，所设计的数据集将开源在“https：//github.com/huangdaichui/Sketch_dataset”。

为解决残差块间的层级特征利用不充分导致生成的图像结构扭曲、视觉模糊等问题, 提出结合注意力和残差聚合的图像超分辨率重建算法。网络通过浅层特征聚合模块获取多尺度的特征并输入到残差聚合网络, 采用渐进式融合策略从局部和全局两方面对各个残差块的特征进行聚合, 以达到充分利用残差块层级特征的目的。为进一步增强特征表示, 利用双重注意力机制分别从空间和通道来关注特征之间的相互依赖性。实验结果表明, 与SRCNN、FSRCNN等方法相比, 算法重建的图像结构清晰且细节信息丰富。

针对目前图像超分辨率重建方法中未能充分利用图像全局信息和局部信息, 导致重构结果缺失源图像部分关键信息的问题, 提出了一种多尺度密集残差网络来实现图像的超分辨率重建。网络以密集残差为基础, 融合了图像的多尺度特征信息, 保证了网络在深度上不损失特征信息的同时,获得更多不同感受野下的特征信息, 避免源图像关键信息的过度丢失。此外, 为从具有低频冗余信息的低分辨率图像中恢复包含足够高频信息的高分辨率图像, 网络还结合空间注意力与通道注意力机制, 以不平等的方式处理不同尺度下的低分辨率特征。通过与密集残差网络等超分辨率方法在Set5数据集上的对比实验, 可有效突出特征图中的高频分量, 使网络更好地学习并拟合标签图像的特征信息, 提升图像超分辨率重建性能。

基于平面激光诱导荧光(PLIF)技术，在常温常压下对富燃料正丁烷/空气同轴射流预混火焰结构及热释放率(HRR)特性进行了实验研究。通过火焰轴截面的OH-PLIF与CH₂O-PLIF二维测量以及[OH]×[CH₂O]归一化乘积获得热释放率分布特性，计算得到火焰面厚度值，并与火焰自发光CH*自由基表征的热释放率分布与火焰厚度值进行比较。结果表明：火焰中热释放率区域位于CH₂O与OH自由基峰值之间，基于PLIF测量得到的热释放率区间比CH*自发光区域稍小；燃料当量比对热释放率峰值位置和分布区域有较大的影响，但低雷诺数下预混气初始流速对热释放率分布的影响较小；根据OH自由基与CH₂O峰值位置间距得到的火焰面厚度值明显大于利用CH*自发光和[OH]×[CH₂O]得到热释放率的半峰全宽。

目前，有监督行人重识别方法着重关注单一模态（可见光）的行人检索问题。然而，在24 h的监控系统中，除可见光图像外，还存在大量的红外图像（这类图像缺少颜色和纹理信息）。因此，跨模态的行人检索方法可有效提升行人重识别技术的实用性。针对当前跨模态行人重识别方法存在忽视不同模态下独有判别性特征而导致的模型性能受限问题，提出了一种跨模态身份互预测学习和细粒度特征学习的跨模态行人重识别方法。该方法通过对模态专有身份分类器的设计，提升了模态内专有特征的判别性和鲁棒性，并通过构建交叉学习机制，促使网络将不同模态下的专有特征转化为模态不变特征，有效利用了模态特有判别性信息。此外，细粒度特征学习进一步从局部和全局两方面增强了网络特征表示的判别性。所提方法在公开数据集SYSU-MM01和RegDB上与同类方法相比，其结果优势明显，证明了所提方法的优越性。