该项目针对基于深度学习的表征学习方法所面临的应用成本高、不具备持续学习能力、低质量图像表征学习能力差等科学难题，历经多年攻关，提出了基于半监督及弱监督信息的表征学习理论，建立了基于人脑视觉学习与记忆机理的持续表征学习理论，构建了高噪声、低信噪比条件下的高质量鲁棒表征学习方法，为视觉信息的表征学习提供了新理论和新方法。该项目发表的5篇代表论文总计Scopus他引1058次，单篇最高他引394次，谷歌学术引用1596次，单篇最高引用543次。主要成果被国内外两院院士、IEEE/ACM/AAAI/AAAS/IAPR Fellows等大量国际知名学者引用并高度评价。第一完成人因在计算机视觉与多媒体领域的杰出贡献于2018年入选 IEEE Fellow，2020年入选AI 2000最具影响力TOP100学者榜单。项目成果应用于中国兵器工业第203研究所某型产品中，解决了复杂战场环境下弱小目标精准检测与识别的技术难题；应用于深圳禾思公司的智能产品缺陷检测设备中，实现了对多种产品缺陷的全自动化检测与识别；应用于深圳传音公司的手机智能影像处理与相册管理算法中，实现了模型的低成本训练及可持续学习能力，为企业带来显著经济效益。