基于深度学习的设备故障检测系统性能很大程度上依赖于样本集的规模及类别多样性。由于工业生产中难以全面采集各类故障样本，由此就有样本集扩增需求。本文提出联合3D模型和改进CycleGAN的故障数据集扩增方法。首先，提出利用3D建模软件模拟生成各类故障图片，将其作为CycleGAN迁移网络输入，约束引导生成真实故障图像，以解决样本不足及分布不均衡问题；其次，对CycleGAN网络生成器进行改进，提出U-ResNet生成器，用以解决数据集扩增过程中的边缘模糊和梯度消失问题。将该方法应用于带式输送机跑偏检测任务，结果表明相较于其他扩增方法，该方法训练过程中轮廓结构收敛快，时效性好，应用于目标检测网络准确率达到98.1%，较原真实数据集提升4.5%。说明该数据集扩增方法可以满足故障数据集类别分布均衡，图像质量高的要求。

为解决低光照环境下机器视觉采集图像存在的对比度低、细节丢失等问题，提出了一种基于扩展大气散射模型的低光照图像增强算法。首先，将低光照图像三个颜色通道的最大值作为初始传输图，并使用伽马校正调整图像的可见性和边缘细节；接着，利用融合技术优化初始传输图，融合不同方法提取的主要结构和精细结构；然后，利用亮通道的暗像素计算逆大气光值；最后，根据传输图和逆大气光值对模型进行求解得到最终增强图像。模型中的校正项可以更好地抑制增强图像的过度增强与细节丢失，同时，算法采用图像融合对传输图进行优化，可以较好地再现图像中的轮廓和纹理细节。实验结果表明，相比于其他8种算法，该算法在提高图像对比度、自然度和突出细节方面表现出了更好的性能。

为实现红外与可见光图像的优势互补，提高机器视觉的环境适应性，提出一种基于动态范围压缩增强和非下采样剪切波变换的红外与可见光图像融合算法。首先，用动态范围压缩增强方法增强弱可见光图像。其次，利用非下采样剪切波变换提取红外与可见光图像的低频和高频系数。接着，对高频系数实施硬阈值收缩，抑制高频中的噪声。然后，分别采用视觉显著图加权的“平均”融合方法和绝对值取大融合方法对低频和高频系数进行融合。最后，通过非下采样剪切波变换逆变换得到最终融合图像。实验表明，该算法可以有效保留原图像的边缘特征和纹理细节，显著提高融合图像的清晰度和对比度。