本文选择计算机视觉研究中目前尚未圆满解决的几个关键问题，即图像增强、图像分割与特征提取、深度估计，展开研究。研究工作主要是针对Marr视觉理论的不足，在算法设计中注重了知识的表达、高层信息的反馈以及模型的运用。本论文的研究工作为进一步完善Marr视觉理论做了有益地探索，部分研究成果具有很强的潜在应用价值。本文主要的创新性工作如下： 第一，提出了两种基于新型直方图构造同时结合人眼视觉特性的图像增强方法。另外，还设计了一种简单、实用的图像增强评估算法。 本文首先分析了传统直方图数据描述形式的局限性，针对其不足，提出了两种新型直方图构造方法，即基于局部复杂度加权处理的直方图构造方法和边缘直方图构造方法。然后，为了优化配置灰度级的动态空间，提出了依据视觉感知特性参数——最佳分辩偏差OND(OptimumNoticeableDifference)——约束主导灰度级动态范围的方法。最后，在两种新构建的直方图基础上，结合视觉特性约束，提出了两种图像增强算法。对比测试结果表明，本文提出的这两种增强算法具有鲁棒性强，且对平滑区噪声抑制明显等优点，其性能优于现有的两种经典算法(GlobalHistogramEqualization，GHE算法和AdaptiveHistogramEqualization，AHE算法)。此外，为了对算法的增强效果进行量化评估，设计了一种简单、实用的基于视觉感知特性的图像增强评估算法。实验结果表明，该算法的评测结果与视觉评测结果吻合。 第二，研究了成像区域小且受场景因素影响较大的物体分割问题，并提出了一种新的形态学特征描述算子，从而建立了一套基于支持向量机(SupportVectorMachines，SVM)和形态特征的血细胞核自动分析系统。 对血液细胞核进行精确的分割是自动分析与识别的关键环节。但由于细胞核形态差异较大、成像区域小且受光照和染色条件影响较大等特点，使得现有经典分割算法很难获得满意的效果。由于学习算法便于引入与问题相关的先验知识，使得算法的性能显著提高。为此，本文将SVM这种性能优良的学习算法引入到图像分割中，提出了采用SVM的血液细胞核彩色图像分割方法。为了获得更好的分割效果，对采用不同色彩空间、核函数及样本数量的分割结果进行了详细地比较和分析。在特征提取前，为了确保核区的完整性，对分割后分离的子瓣采用带约束的子瓣膨胀搜索方法归并。在特征提取环节中，利用不同种类细胞经形态学腐蚀后的差异，提出了能有效反映核分叶数多少的特征——腐蚀退化因子。该因子可作为一种通用的形态学描述算子，用于提取无规则形态物体的形态特征。最后，系统采用RBF核函数形式的“one-against-one”SVM多分类方法，实现了血细胞最优分类。实验测试表明，本系统能快速、准确地自动完成血细胞核识别。 第三，研究了基于高频能量参数的微操作深度估计问题。 在散焦光学系统模型的基础上，利用散焦光学传递函数(OpticalTransformFunction,OTF)在不同光程差条件下的频率响应特点，提出了利用散焦图像的高频能量参数获取深度信息的新方法。算法实现分为两步：首先通过标定实验，从一组以2μm间隔深度下采集的微针序列模糊图像中导出深度计算方程；然后在实际深度估计中，测得深度对应的能量参数，代入深度方程，求解出深度值。在测试实验中，讨论并解决了微针形状不均对标定实验的影响。 第四，提出了一种基于规范化谱主成分分析的深度信息提取方法。 充分利用微操作工具(微针)结构简单，其模糊深度图像数据量大、相关性强等特点，提出了基于主成分分析(PrincipalComponentAnalysis，PCA)的深度信息提取方法。算法实现过程如下：获得一组标定好的深度图像，构成训练样本集，求取样本集协方差矩阵的特征向量组(或本征矢量集)，并由此确定特征子空间；将待测深度图像向M个本征矢量方向投影(M为训练样本集个数)，得到一个M维的变量统计不相关的特征向量；采用K-近邻方法确定该特征向量与标定位置的微针图像特征向量的关系；依据K-近邻分析结果求取微针深度。为了保证微操作工具在测试窗口内大范围移动时，依然能准确、快速地提取微针的深度信息，对不同类型的图像(空域图像、频谱图像、规范化的谱图像)进行了对比实验测试。测试结果表明，采用规范化的谱图像效果最优。