基于多模态生理数据的连续情绪识别技术在多个领域有重要用途, 但碍于被试数据的缺乏和情绪的主观性, 情绪识别模型的训练仍需更多的生理模态数据, 且依赖于同源被试数据. 本文基于人脸图像和脑电提出了多种连续情绪识别方法. 在人脸图像模态, 为解决人脸图像数据集少而造成的过拟合问题, 本文提出了利用迁移学习技术训练的多任务卷积神经网络模型. 在脑电信号模态, 本文提出了两种情绪识别模型: 第一个是基于支持向量机的被试依赖型模型, 当测试数据与训练数据同源时有较高准确率; 第二个是为降低脑电信号的个体差异性和非平稳特性对情绪识别的影响而提出的跨被试型模型, 该模型基于长短时记忆网络, 在测试数据和训练数据不同源的情况下也具有稳定的情绪识别性能. 为提高对同源数据的情绪识别准确率, 本文提出两种融合多模态决策层情绪信息的方法: 枚举权重方法和自适应增强方法. 实验表明: 当测试数据与训练数据同源时, 在最佳情况下, 双模态情绪识别模型在情绪唤醒度维度和效价维度的平均准确率分别达74.23%和80.30%; 而当测试数据与训练数据不同源时, 长短时记忆网络跨被试型模型在情绪唤醒度维度和效价维度的准确率分别为58.65%和51.70%.

交通标志识别已被研究。多年以来，大多数现有的工作都集中在基于符号的交通标志上。本文提出了一种新的数据驱动系统，用于识别安装在汽车上的摄像头捕获的视频序列中的交通标志的所有类别，包括基于符号的标志和基于文本的标志。该系统由三个阶段组成，感兴趣的交通标志区域（ROI）提取，ROI，细化和分类以及后处理。首先使用灰色和归一化RGB通道上的最大，稳定的极值区域提取交通标志的每帧ROI，然后通过拟议的多任务卷积神经网络对其进行细化并分配给其详细类别。包含大量数据，包括合成的交通标志和从街景视图中标记的图像。后处理最终将所有帧中的结果合并以做出识别决策。实验结果证明了该系统的有效性。