针对传统城墙病害检测采用人工勘测方法，检测效率较低且易受到主观因素干扰等问题，提出一种基于卷积神经网络的城墙多光谱成像病害无损检测方法，利用最小噪声分离方法对城墙多光谱成像数据进行预处理，降低数据维度的同时保留原始数据特征，减少数据噪声；为解决城墙不同病害类型的像素混杂多样造成分类准确率较低的问题，利用卷积操作对城墙病害进行特征提取，保留最重要的特征并去除无关特征，稀疏网络模型；通过全连接层对提取到的特征进行整合梳理和分类，并加入两次dropout防止过拟合问题的出现。最后在城墙多光谱数据集上，使用训练后的卷积神经网络分类模型对城墙病害进行像素级分类检测，并将预测结果进行可视化展示。实验结果表明：总体精度和Kappa系数分别为93.28%和0.91，表明所提方法是有效的，该方法对提高城墙病害检测准确率、掌握城墙病害分布具有重要意义。

汉长安城遗址出土骨签数量庞大，基于数字图像技术的骨签尺寸自动测量方法能够提高工作效率。针对骨签纹理繁多、边缘对比度低导致测量精度不高的问题，提出一种基于分区域自适应阈值Zernike矩的骨签图像尺寸测量方法。首先，利用Canny算子进行像素级定位；然后，对称设定边缘有效分区域，以欧氏距离为比例系数计算各个分区域像素点与中心点的加权灰度值，作为各区域Zernike矩提取边缘的判定阈值，提取骨签亚像素级边缘；其次，引入边缘轮廓判别条件剔除无效纹理，获取骨签图像精确轮廓；最后，使用最小外接矩算法计算骨签不规则轮廓，结合相机标定完成骨签尺寸测量。实验结果表明，与其他方法相比，该方法测量的骨签长宽的均方根误差分别降低1.3 mm和1.2 mm，平均相对误差分别降低3%和6.3%，平均绝对误差分别降低1.23 mm和1.08 mm，能够有效提高复杂边缘轮廓的骨签尺寸测量精度。

针对传统图像增强Retinex去雾算法未考虑有雾图像景深信息，整幅图采用同一尺度复原而导致的局部颜色失真、图像细节丢失等问题，提出一种基于景深信息的自适应Retinex图像去雾算法。从场景雾的浓度与景深密切相关出发：首先利用BTS深度学习模型得到有雾图像的景深估计；然后以图像的平均梯度作为最优评价标准，对有雾图像分块处理并采取不同的高斯滤波尺度进行Retinex增强，统计出最优高斯滤波尺度与其对应的景深估计平均值；接着通过梯度下降法对统计数据进行拟合，得出景深估计与高斯滤波尺度的参数模型并将模型应用到单尺度Retinex去雾算法对有雾图像进行分块处理；最后通过计算均值和均方差，再加上一个控制图像动态的参数来实现无色偏的自适应对比度拉伸以及使用双线性插值映射使图像分块边缘过渡更加连续，从而得到增强的去雾图像。实验结果表明，经过所提算法去雾处理后的图像标准差、平均亮度、信息熵、平方梯度等评价指标均高于对比算法，实际效果对比度较高，图像细节保持完好，且抑制了过度增强。基于景深信息自适应Retinex图像去雾算法能够有效保留图像细节，颜色自然，符合人眼视觉特性，自适应程度高，明显优于传统Retinex去雾算法。

现有的青铜器铭文变体种类较少，利用深度学习网络训练容易出现过拟合现象，且深层卷积网络对青铜器铭文细节形态特征提取能力不足，导致铭文分类准确率较低。针对该问题，提出一种融合形态特征的小样本青铜器铭文分类算法。首先，引入形态学算法对铭文进行孔洞填充预处理，降低孔洞对铭文形态结构的影响；其次，调整AlexNet结构，并在各卷积层中引入批量归一化，控制每批随机输入值的分布情况，使输入数据符合正态分布标准，避免网络向单一方向过度学习，抑制过拟合现象；最后，使用speeded-up robust features（SURF）算子提取铭文细节形态特征，并将其与卷积神经网络提取的抽象信息融合，增强分类器的表达能力。在自制青铜器铭文数据集上的实验结果表明，所提算法的分类准确率高达98.86%，优于LeNet5、Vgg13、Vgg16、ResNet、AlexNet 等传统算法，说明改进后的算法能有效解决小样本铭文分类准确率低的问题。

现有残缺文字图像的修复需要确定Mask区域后对其填补，如果文字残缺部分剩余信息量过于稀疏，将无法确定Mask区域。针对该问题，提出了一种基于内容风格迁移的残缺稀疏文字图像盲修复方法。利用循环生成对抗网络构建修复前后文字图像间的全局关联像素信息，将残缺文字的图像内容风格特征迁移为完整文字图像从而进行修复；并在网络中加入自注意力机制对稀疏像素进行全局约束，解决迁移过程中相隔较远文字稀疏像素之间依赖关系较弱的问题；同时在自注意力机制中使用最大池化，提高迁移修复后的文字图像纹理特征；使用最小二乘损失替换原网络模型中的sigmoid交叉熵损失函数，提高迁移精度。实验结果表明，所提方法不借助Mask指导，能够盲修复稀疏性残缺文字图像中的随机未知缺失区域。

针对现有多目标检测网络对动态火焰特征提取及增强能力不足，检测效果不佳的问题，提出基于动态形状特征提取及增强的改进YOLOv3火焰检测算法。采用小尺寸结构的ResNet50_vd作为YOLOv3的主干网络，减少特征信息冗余；在主干网络stage 4和stage 5中加入可变形卷积模块，控制采样网格随火焰目标形状的动态变化；引入交并比（IoU）Aware模块，增加置信度得分与IoU定位精度的相关性，提高网络的火焰特征提取能力；同时在YOLOv3 Head中加入Drop Block，引入IoU预测分量优化损失函数，提高模型学习过程中的特征增强能力。通过消融实验验证各改进部分对模型的提升效果，实验结果表明，改进模型对火焰的检测精度达94.11%，推理速度达73.52 frame/s，能够有效满足对动态形状火焰的检测要求。

颜料的分类识别是古代壁画进行保护修复的基础，多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析。传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息，使得图像细节无法重建，导致分类图像边界不平滑。针对该问题，提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类。首先，在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息，避免池化操作所导致的部分特征丢失；其次，使用特征融合的方法融合不同尺度的特征图，增加多尺度特征的结构层次；最后，引入残差学习模块避免网络层数加深导致的梯度消失问题，重建完整的边缘信息。实验结果表明，所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了98.87%和96.89%，与各对照组相比，不仅具有更好的分类精度，而且得到了边界更清晰的分类图像。