随着深度学习的快速发展,图像分类和显著性目标检测成为了当前计算机视觉领域重要的研究课题,引起了越来越多研究者的关注。基于卷积神经网络的图像分类获得了前所未有的成绩,但需要大量有标签的数据或监督信息,应用受到极大限制,基于有限监督信息的少样本学习应运而生。而图像的显著性检测是众多图像或视觉任务的第一步,是相关领域获得提升的基础,利用图像的显著性信息也是当前火情检测的重要方法。本文对图像分类中的少样本学习、显著性目标检测以及火情检测三个任务进行研究,主要工作如下:1.提出了一种结合残差的嵌入表征少样本学习算法,在基本会结构框架不变的情况下,利用双分支卷积结构代替普通3*3卷积,完善了少样本的关键信息提取能力,提高了少样本学习的准确率。2.从全局语义信息的提取和多尺度特征聚合两个角度,提出了基于空洞卷积空间金字塔池化的显著性目标检测网络,获得了更丰富的语义信息,并实现了高层语义信息和低层空间信息的有效融合,在公开数据集上较现有方法获得了更好的显著性目标检测效果。3.利用火焰的特有的显著性信息,提出了一种基于候选区域的轻量级火情检测网络。首先通过颜色和运动信息获得候选区域,随后进行目标检测。此外,通过对网络结构进行裁剪和优化,使算法在主流CPU平台上实现了近实时的火情检测,让嵌入式应用成为可能。