针对处理超高分辨率图像时面临的内存成本和风格迁移过程中过度风格化，提出了一种结合可逆网络的超高分辨率图像的风格迁移方法。该算法采用可逆的Glow模块作为基本单元构建可逆神经网络模块，并将图像分为小块处理; 在风格迁移模块中使用具有通道注意力机制的残差模块和缩略图实例化归一化模块(TIN)，以保证各模块风格一致; 提出基于全局-局部的损失计算方式，能够有效地处理局部的结构特征。实验结果表明，相较于当前通用的各种神经风格迁移网络，所提算法不仅能够避免图像在编码和解码过程中的信息丢失问题，而且能以更低的内存成本实现更优的风格迁移。

针对半全局立体匹配算法在视差不连续区域精度较低的问题，提出一种基于融合代价和自适应惩罚项系数的半全局立体匹配算法。在代价计算部分，提出一种融合代价计算方法，引入输入图像y方向的梯度，通过融合公式与输入图像x方向的梯度、绝对差以及Census变换结合形成代价计算数据项；在代价聚合部分，提出一种像素点分类机制，通过颜色和梯度双阈值将每个像素点分类，自适应地调整其惩罚项系数的大小；最后通过多步骤视差优化方法对初始视差图进行处理。实验结果表明，提出算法在视差不连续区域的平均误差降低1.1个百分点~12.8个百分点，在非遮挡和全部区域同样有一定的降低，该算法具有较高的匹配精度和鲁棒性。

针对传统Census变换在匹配代价计算中易受噪声影响、匹配精度较低的问题, 提出一种引入噪声容限的四状态Census变换算法。在匹配代价计算中, 首先将改进的Census匹配代价与灰度绝对差值和梯度代价进行融合, 并加入相应的截断阈值, 以提高初始匹配代价空间的可靠性。然后通过引导图滤波进行代价聚合, 并采用赢家通吃策略计算初始视差值。最后通过左右一致性检验、视差填充和加权中值滤波来优化初始视差值, 得到最终视差图。实验结果表明, 所提算法的噪声鲁棒性优于传统Census变换算法, 且立体匹配算法的整体误匹配率降低至5.59%。

针对DSOD目标检测算法对小目标检测能力较弱的问题，提出在DSOD中引入RFB_a网络模块和Atrous卷积层予以改进。首先，该算法将DSOD网络的第二个转接层产生的特征图输入到RFB_a网络模块中，经过RFB_a网络不同采样步长的Atrous卷积提取具有不同感受野的特征，为后续检测小目标步骤提供所需特征；其次，为了增加特征图的语义信息，在第二个无池化转接层后加入采样步长为6的Atrous卷积层；最后，在损失函数中加入IOG惩罚项，防止在预测密集的同类型目标时出现同类预测框重叠，从而避免在NMS后处理时出现漏检。实验表明，该算法相对于原DSOD算法具有更高的检测精度，提高了对小目标的检测能力，同时降低了训练网络的硬件设备要求。