团队围绕机器学习、模式识别、图像处理与信号处理等核心领域开展研究，致力于将数学理论（如逼近论、稀疏表示、小波分析、统计学习理论等）与信息处理前沿技术深度融合，推动人工智能基础理论与应用技术的协同发展。其研究内容既关注学习理论中的核心数学问题，也注重在高光谱遥感图像分类、信号处理等实际场景中的应用创新。

本方向的研究工作主要体现在以下方面：第一、深度学习与神经网络逼近理论方面，系统研究了深层网络的逼近能力与学习理论，从函数逼近视角揭示了深度模型的表征能力边界，为理解深度学习的成功提供了重要的理论支撑。第二、基于非独立同分布数据的机器学习理论方面，系统突破了传统机器学习理论中对样本独立同分布的强假设限制，建立了基于马氏抽样和混合序列等相依数据的学习理论框架和高效学习算法。第三、高光谱遥感图像处理方面，提出了联合稀疏表示、复合核学习、度量学习、自步学习等一系列创新方法，有效融合了高光谱数据的光谱信息与空间结构特征，显著提升了地物分类的精度与鲁棒性。上述主要结果发表在IEEE TIP、IEEE TMM、TNNLS、IEEE TCyber、IEEE TGRS、Machine Learning、Journal of Complexity、Neural Networks、Knowledge-Based Systems以及中国科学等重要学术刊物上。

本方向有教授3人、副教授2人，团队成员具有扎实的数学基础与跨学科交叉研究能力，在机器学习理论、遥感图像处理、统计学习等方向各具特色、优势互补，并与国内外学术界建立了广泛的联系。本方向先后主持国家自然科学基金项目20余项。获湖北省自然科学二等奖2项、湖北省自然科学三等奖1项。团队累计发表论文200余篇。

研究团队主要成员如下：