计算机视觉和机器学习技术被广泛应用于数据挖掘、信息安全、遥感图像处理、生物信息学、智能交通、智能安防和医疗服务等领域。作为计算机视觉领域中的重要分支之一,运动目标检测技术在现实场景中得到了广泛的应用,现有的运动目标检测方法存在计算时间长、复杂度高等问题,如何满足现实场景中的实时性问题变得越来越重要。随着深度学习的迅猛发展,另一个计算机视觉领域中的重要分支——目标识别技术的识别准确率得到了巨大的提升,然而,由于深度学习的网络存在网络结构复杂,计算复杂度高的问题,如何快速完成深度学习网络的训练过程成为深度学习领域中亟需解决的问题。随着大数据时代的到来,每天产生海量的无标签数据,由于传统的有监督方法需要标签数据来完成算法的训练和交叉验证从而完成最终的任务。然而,由于数据量大,人工为数据添加标签变得越来越困难,此时基于无监督的聚类算法对于充分挖掘和利用无标签数据具有十分重要的意义,聚类算法的性能极大地依赖与相似度矩阵的构造,因此,如何充分挖掘相同输入样本中信息,对于聚类有非常重要的研究价值。本文的工作主要概括为以下三个方面:(1)提出了一种运动目标检测应用的并行优化方法。针对运动目标检测应用,提出了一种基于异构平台(CPU(通用处理单元)+GPU(通用图像处理单元))的并行优化策略,该方法充分利用异构平台的并行性,根据运动检测应用中不同算法的并行特性采取与之相对应的优化策略,从而充分挖掘异构平台的并行特性以提高算法的整体执行效率。此外,我们根据异构平台中不同处理单元之间在时空上相互独立的特性,提出了异构流水的优化策略,从而更进一步提高整个运动目标检测应用中多个算法的执行效率。(2)提出了一种目标识别算法——深度信念网络的并行优化方法。我们根据深度信念网络算法的特点,提出了一种基于GPU平台的深度信念网络并行优化策略,该方法将深度信念网络在GPU平台上进行映射,充分利用GPU平台线程级与线程块级的两级并行特性,从而提高深度信念网络算法的执行效率。其中,我们针对非级联访问的可见层计算提出了一种新的计算策略,使得原有算法的瓶颈得到了解决。(3)提出了一种基于多核学习的多视图聚类方法。我们提出了一种鲁棒的基于多核学习的多视图聚类方法,该方法能够充分将数据不同视图的特征信息在聚类算法中得以应用,对基础核函数中的噪声信息进行统一优化,使得算法在数据存在噪声的情况仍旧体现出较好鲁棒性。实验结果在Oxford Flower 17和Oxford Flower 102数据集上得到了验证。