随着计算机科学的不断进步,神经网络算法已经被应用于社会发展的各个领域中。物体姿态估计和图像阈值分割问题一直是人工智能领域的基本问题,使用神经网络算法对它们进行研究是一个非常活跃的研究领域。在物体姿态估计问题中,获取物体的类别和准确的姿态信息是机器人完成与环境交互的重要前提;在图像阈值分割问题中,精确的选取图像分割的阈值,可以更好的把图像的前景与背景分离,以便于对图像进行下一步操作。本文的研究内容主要包括:1、物体姿态估计在近十年取得了令人瞩目的进展。但是,对于复杂场景下物体的姿态识别问题仍具有挑战性。本文在VGG网络的基础上,提出一种改进的卷积神经网络模型,采用多阶段的方式对数据进行特征提取。对于基于学习的方法而言,大量的数据是必要的,本文采用一种快速合成图像数据的方法,可以在短时间内生成大量合格的训练数据。实验结果表明,改进的网络模型可以更好的提取数据特征,获得更加准确的物体姿态估计结果。2、针对图像阈值分割问题,提出了一种协作神经动力学优化算法,实现了二值优化在图像分割中的应用。首先将基于阈值的图像分割问题转化为带约束的二值优化问题。在此基础上,提出了一种结合反馈神经网络和粒子群算法的协作神经动力学优化算法。采用线性规划松弛约束方法对二进制约束进行松弛。通过反馈神经网络算法得到问题的局部最优解,并利用粒子群算法对其初始状态进行优化。最后,通过实验仿真对算法的可行性进行了验证。