在点云处理领域中深度学习是一种主流的方法，但是现有方法对三维点云的局部结构信息利用不够充分，对局部形状感知较差。为此，提出了一种基于改进PoinetNet的三维点云处理模型，本模型将位置自适应卷积引入到PointNet中。位置自适应卷积采用动态的方式组合权重库中的权重矩阵来构造核函数，其中权重矩阵的系数是通过位置相对系数网络从点与点相对位置自适应学习得到的。通过此方式构建的核函数，可以更好地解决点云数据的不规则性和无序性问题。位置自适应网络在三维物体分类实验上分类准确率相较于PointNet提升3.60%，在三维物体零件分割实验上平均交并比相较于PointNet提升2.20%，在三维场景语义分割实验上平均交并比相较于PointNet提升9.14%。

利用自身高速高精度的特点，协作机器人通过模仿人的创造性复杂动作来提高生产效率。当前协作机器人对人动作的模仿主要来自部署人员的长期调试，缺少通用的解决方案，无法快速部署。基于此，提出了一种无锚的基于RepVGG网络的孪生网络协作机器人目标跟踪算法。该算法由孪生网络模块、分类回归模块和机器人执行模块组成。孪生网络模块使用改进的RepVGG网络代替主流的ResNet作为骨干网络用于图片特征的提取，在不损失精度的前提下提高整个网络的运行速度，降低算法对硬件的要求，对专用深度学习芯片更加友好；分类回归模块通过引入中心度分支来提高跟踪框的中心点预测精度；机器人执行模块采用尺度惩罚和宽高比惩罚以平滑跟踪框，保证协作机器人的动作流畅。实验结果表明,平均速率相比替代ResNet骨干网络前提高了14 FPS，实现了实时跟踪的效果。

当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题，提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先，构建双向域转换网络，实现人工合成有雾图像与真实有雾图像之间的自适应域转换；然后，通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明，在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力，峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。