当目标远离红外系统，其在成像图像上的尺寸较小且信息量较少，使得小目标的持续精确定位成为一项有挑战性的问题。针对这一问题，在相关滤波跟踪框架上，引入能够区分红外弱小目标边缘信息与杂波噪声的侧窗图像滤波方法，提出了一种弱小目标跟踪算法。具体来说，首先利用时空正则化的相关滤波跟踪模型，对目标位置附近更大范围的背景进行考虑。然后，利用侧窗滤波对当前局部搜索区域进行侧窗滤波处理，达到了保留边缘效果的同时剔除了图像噪声。最后，通过原始图像与滤波后图像作差，降低了背景边缘对目标定位错误的影响，并实现小目标状态估计。为验证本文所提算法性能，采用六组红外真实弱小目标图像序列进行实验，并与核相关滤波、空间正则化的相关滤波，以及时空正则化的相关滤波等经典算法作比较。实验结果表明，所提算法在多组复杂背景的图像序列上，获得了较高的跟踪精度，验证了所提算法能有效应对红外弱小目标跟踪任务中的快速运动、低分辨率和强背景杂波等问题。

为提高流动气溶胶动态光散射粒度反演的准确性，采用结合条件预优的流动气溶胶正则化反演，通过条件预优处理，以先验流速信息和延迟时间构建对角阵形式的条件预优矩阵，对病态方程实现乘法修正，从而降低了流速对反演方程病态性的加剧作用和正则化方法对流速的敏感性。模拟与实测数据的反演结果表明，与Tikhonov正则化反演相比，结合条件预优的Tikhonov正则化反演，可克服正则化在流动颗粒粒度反演中的局限性，显著改善了流动气溶胶动态光散射测量数据的反演性能指标，提高了正则化反演结果的准确性。

糖尿病视网膜病变（DR）是糖尿病的常见并发症，是目前世界范围内导致失明的主要疾病之一。临床的早期阶段很难检测到DR。本文提出一种基于卷积神经网络的计算机辅助诊断方法，根据眼底的图像自动分类DR的严重程度。采用多种预处理方法提高输入图像的质量，并且采用多种数据增强的方法来提高数据集的均衡性。使用代价敏感正则化扩展标准分类损失函数，根据预测等级和真实等级相差程度的不同，对其施加不同的惩罚。在ImageNet数据集上进行预训练，从而引入迁移学习，并且使用Softmax激活函数的全连接层使模型获得更好的性能。基于两个数据集的实验结果表明，相较于近期学者的研究结果，该模型能够实现二次加权kappa分数约5%的改善，AUC约3%的改善。将代价敏感正则化引入到EfficientNet网络模型可以提高糖尿病视网膜病变分类任务的准确率，能够得到很好的模型性能。

针对集成电路X射线图像噪声强烈、对比度低的特点，本文充分考虑图像边缘细节和平滑区域在细节保持和噪声去除上的不同需求，提出一种多正则化图像复原方法。该方法基于快速傅里叶变换下的高斯高通滤波和高斯低通滤波获取集成电路X射线图像的边缘细节结果和平滑滤波结果作为正则化图像复原的观测图像，充分利用l1正则项在细节保持以及全变分（Total Variation，TV）正则项在噪声去除上的优越性设计了一种TV-l1混合正则化模型，解决整幅图像采用单一正则化项造成的细节过度平滑缺失或去噪效果差的问题。标准自然光图像和集成电路的X射线图像两个系列的实验表明了本文方法能够在有效去除噪声的同时保留更多的细节信息，为后续集成电路的缺陷检测奠定基础。

贵金属纳米颗粒具有局域表面等离子体共振特性而引起了广泛的关注, 其中Au-Ag合金纳米颗粒具有良好的结构稳定性、 光热性能以及潜在的抗癌功效而得到普遍研究。 在众多应用中的特性与其粒径和浓度密切相关, 然而目前常用的电子显微镜观察法和动态光散射法不能同时获得粒径和浓度信息, 因此采取有效手段测量颗粒粒径和浓度信息至关重要。 基于光谱消光法, 利用非负的Tikhonov正则化方法解决反演问题, 并根据Mie理论计算消光矩阵。 针对噪声问题, 采取两种情况研究多分散Au-Ag合金纳米球粒径分布与浓度的反演问题。 未添加噪声情况下, 颗粒系Ⅰ的反演相对误差小于颗粒系Ⅱ, 在波长范围300~500 nm之间的反演相对误差最小, 对应平均粒径、 粒径标准差和颗粒数浓度的反演相对误差分别为0%,-0.03%和0%。 添加随机噪声情况下, 将0.5%和1.0%的随机噪声添加进颗粒系Ⅰ中的消光谱, 经过数据比较发现在波长范围200~600 nm之间的反演相对误差最小。 当添加0.5%的随机噪声时, 粒径分布、 粒径标准差和颗粒数浓度的变化范围分别为79.76~80.15 nm, 5.60~6.61 nm和0.995 8×10¹⁰~1.005 9×10¹⁰个·cm^-3; 当添加1.0%的随机噪声时, 粒径分布、 粒径标准差和颗粒数浓度的变化范围分别为78.87~80.27 nm, 5.36~9.00 nm和0.992 4×10¹⁰~1.027 7×10¹⁰个·cm^-3。 反演结果随着随机噪声的增大, 变化范围也明显增大即反演相对误差增大, 并且每次添加相同随机噪声后的反演结果不同。 为了减少随机噪声导致的不稳定性, 对100次反演结果进行平均得到平均粒径、 粒径标准差和颗粒数浓度。 当随机噪声从0.5%增大至1.0%时, 其反演结果的相对误差均增大, 但是反演得到的粒径分布、 粒径标准差和颗粒数浓度相对误差均小于6%, 这说明通过反演算法得到的反演结果具有较好的稳定性。 研究表明, 光谱消光法为反演多分散Au-Ag合金纳米球粒径分布与浓度提供了一种简单、 快速的表征手段, 也对研究非球形纳米颗粒有启示作用。

针对现有神经架构搜索算法自动搜索到的网络架构与评估的网络架构之间存在较大差异的问题，提出了基于投票机制的神经架构搜索算法。首先，利用小批量训练数据上测试的训练损失作为性能估计器对候选网络进行采样，将计算资源集中于潜在的性能表现良好的候选网络架构，以解决均匀采样忽略了各网络架构之间重要性程度的问题；其次，对于各节点中候选操作难以选择的问题，利用组稀疏正则化策略对所有候选操作进行排名，以筛选出合适的候选操作，进一步提高Cell结构中路径选择的准确性；最后，将可微架构搜索策略、噪声策略和组稀疏正则化策略加以融合，以加权投票的方法选择出最优的Cell结构，构建出性能优秀的三维模型识别与分类网络架构。在数据集ModelNet40上的实验结果表明，所构建的网络对三维模型的分类准确率达到了93.9%，优于目前的主流算法。本算法有效缩小了搜索和评估阶段网络架构之间的差异，解决了以往神经架构搜索方法中均匀采样所导致的网络训练效率低的问题。