针对无人机视角下航拍图像小目标多且检测困难的问题，提出了一个位置敏感Transformer目标检测（PS-TOD）模型。设计了一个基于位置通道嵌入三维注意力（PCE3DA）的多尺度特征融合（MSFF）模块，即PCE3DA利用空间与通道信息的相互依赖关系生成三维注意力，用于加强模型对兴趣区域的特征表达能力，且基于它构造了一个自底向上的跨层MSFF方案，使得融合后的特征语义信息更加丰富；然后，设计了一种新的位置敏感自注意力（PSSA）机制，且以此构造位置敏感Transformer编-解码器，使模型在捕获图像全局上下文信息的长期依赖关系时，也可提高模型对目标的位置敏感能力。基于无人机航拍数据集VisDrone的对比实验结果表明，提出模型的AP达到28.8%，与基线模型（DETR）相比提高了4.1%。该模型在复杂背景下能对无人机航拍图像进行精确的目标检测，且改善小目标的检测效果。

针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题，通过引入一种多尺度特征融合策略和注意力机制，提出一种点云目标检测网络Pillar-FFNet。针对网络中的特征提取问题，设计了一种基于残差结构的主干网络；针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题，设计了一种简单有效的多尺度特征融合策略；针对主干网络提取的特征图中信息冗余的问题，提出了一种卷积注意力机制。为验证所提算法的性能，在KITTI和DAIR-V2X-I数据集上进行实验。实验结果表明，所提出的算法在KITTI数据集上与PointPillar相比，汽车、行人和骑行者的平均精度最大提高分别为0.84%，2.13%和4.02%；在DAIR-V2X-I数据集上与PointPillar相比，汽车、行人和骑行者的平均精度最大提高分别为0.33%，2.09%和4.71%，由此证明了所提方法对点云稀疏小目标检测的有效性。

针对结直肠镜图像分辨率偏低、纹理信息偏少和细节模糊等缺点，提出了一种基于残差注意力网络的图像超分辨率重建算法SMRAN，选取结直肠息肉内窥镜图像数据集PolypsSet中的部分图像作为原始数据进行实验。首先，使用卷积网络提取低分辨率图像的浅层特征；其次，设计Res-Sobel结构对图像边缘特征进行增强；然后，通过引入不同大小的卷积核，设计多尺度特征融合模块(Multi-Scale feature Extraction Block, MEB)，自适应地提取不同尺度的特征，从而得到有效的图像信息，并通过残差注意力网络将Res-Sobel模块和多尺度特征融合模块MEB进行连接；最后，通过亚像素卷积层对图像进行重建，得到最终的高分辨率图像。在尺度因子为×4时，网络在测试集上的测试结果如下: 峰值信噪比PSNR为34.25 dB，结构相似性SSIM为0.8675。实验结果表明，与传统的双三次插值算法及常用的SRCNN、RCAN等深度学习算法相比，本文提出的SMRAN对结直肠内窥镜图像具有更好的超分辨率重建效果。

针对磁共振成像脑肿瘤分割存在的肿瘤空间信息变化大与精细标注样本数量少的问题，提出一种基于多尺度伪影生成对抗网络的脑肿瘤影像分割方法。该方法采用三维U-Net模型来获取脑肿瘤分割结果并充当生成器，引入三维PatchGAN作为判别器来评判U-Net输出的脑肿瘤结果与真值标签，通过对抗学习方式来进行模型训练。为提升脑肿瘤分割效果，在生成器编码阶段引入伪影模块，使得在卷积过程中能够捕获到更丰富的深度特征而提升生成器的脑肿瘤生成结果；同时，在解码过程中采用多尺度特征融合方式来有效整合脑肿瘤的浅层信息与深层信息，并在对抗学习中进一步提升分割性能。在公开的BraTS2019-2020数据集上对该方法进行了评估，实验结果验证了所提出方法在脑肿瘤分割任务中的有效性，在两个验证集上获得的全肿瘤、核心肿瘤和增强肿瘤分割Dice值分别为0.902/0.903、0.836/0.826和0.77/0.782。