运动恢复结构算法(structure from motion, SfM)是一种通过计算图像匹配关系，恢复出相机位姿和目标三维结构的重建算法。提出一种基于赋权视角连接图的增量式运动恢复结构算法。首先建立基于图像对立体匹配质量的赋权连接图，量化了图像两两之间的匹配关系；其次在赋权连接图中边的权重的基础上，搜索度数感知的最佳初始种子对；最后根据已重建顶点的连通性构建下一张最佳图像候选集，设计了基于顶点度数与特征点分布的下一张最佳图像评价算法。在公开数据集上实验结果显示，本文算法在重建质量、相机校准率和点云生成数量的表现优于现有先进的运动恢复结构算法，相比基准对比算法，本文算法在不同数据集上平均重建耗时至少降低了19%，点云生成速率至少提升了21%。

为了提高光纤环绕制图像的分辨率并减轻深度学习模型带来的内存和计算开销，提出了一种能够同时提取梯度信息和图像信息的双分支网络，利用轻量级残差块快速轻量的优势来提取网络路径中的图像特征，还引入了多阶段残差特征迁移机制。在梯度信息和特征迁移的共同作用下，网络可以保留丰富的几何结构信息，使重构图像的边缘细节更加清晰。实验结果表明，该模型以较少的参数和0.018 s的运行时间实现了优越的性能，在2^×、3^×和4^×的比例因子下，峰值信噪比分别为44.08 dB、41.35 dB和38.97 dB，结构相似性指数分别为0.9858、0.9793和0.9769，均优于其他现有方法，为后续的光纤环质量检测提供了强有力的保障。

为了提高机器视觉螺纹的测量精度，建立了基于螺纹图像质量的评价方法。通过对螺纹灰度图像的行灰度分布情况和螺纹光学成像特点的分析，揭示出由于螺旋升角造成螺纹图像牙廓边缘失真的机理。在分析多种螺纹图像评价方法性能的基础上，采用基于螺纹边缘的评价算法L-yakuo，计算多幅不同物距螺纹图像的评价值。最后，通过对机器视觉求取的M14×2、M20×2.5牙型角和接触测量仪得到的牙型角进行实验对比分析。实验结果表明：采用L-yakuo算法得到最清晰的牙廓图像后再进行机器视觉螺纹牙型角求取，规格M14×2、M20×2.5的螺纹牙型角精度平均提高 9′33′′。借助L-yakuo算法能够灵敏地反映螺纹牙廓清晰度，基本满足了螺纹图像清晰度的评价需求，评价值的变化和牙型角相对误差的变化基本一致，且该评价值具有精度高、易计算的特点。

随着计算机技术的发展，基于深度学习的目标跟踪方法已成为计算机视觉领域中重要的研究方向；但跟踪环境的复杂多变使得跟踪算法在背景干扰、颜色相近等问题上仍面临巨大挑战。相比于传统彩色图像，高光谱图像包含丰富的辐射、空间和光谱信息，能够有效提升目标跟踪的准确率。提出了将注意力机制（attention mechanism）和加性角度间隔损失（additive angular margin loss, AAML）相结合的方法来进行针对高光谱图像的目标跟踪。通过融合多域神经网络对不同波段组合进行特征提取，同时设计了融合的注意力机制模型，使得来自不同波段组合之间的相似特征进行整合和强化，在目标背景颜色相近的情况下，网络会更多地注意目标物体，使得跟踪结果更为准确。在此基础上为了使目标和背景的区分更具有判别性，网络使用加性角度间隔损失作为损失函数，在训练过程中可以有效减小同类样本的类内距离，增大正负类样本的类间距离，从而提高网络的准确性和稳定性。实验结果表明，本文方法可使两种跟踪精度评价指标精确率和成功率分别提升1.3%和0.3%，相较于其他方法更具优势。

高光谱卫星的出现和发展为遥感测绘提供了新的技术手段。与传统卫星图像相比，高光谱卫星图像含有更为丰富的光谱信息，能够对目标物进行更为准确的鉴别、分类、定位和测绘。以“珠海1号”高光谱卫星（OHS-C）所提供的高光谱卫星图片为样本，利用地物反射光谱结合自适应算法实现了对林木和水体的精确鉴别、增强标记和面积测量。利用比值法对光谱进行处理，在无需复杂校准的情况下便可去除大气情况及时间季节对光谱的影响。实验结果表明林木和水体鉴别的特异性和灵敏度均高于97%。依据本文设计的鉴别模型，计算得西丽水库官方水域计算总面积数约为4.6 km²，与官方数据的误差仅约为0.1446 km²；计算得淇澳岛的绿化面积为22.1713 km²，该岛总占地面积为23.8 km²，按照90%绿化面积计算得误差小于0.7513 km²，且误差主要源于商用卫星的空间分辨率不足。

目前的节能照明控制算法仍有陷入局部最优的问题。为了寻求全局最优解，提高室内照明的节能效果，设计一种遗传模拟退火算法对照明系统的控制参数进行优化求解。该算法通过在遗传操作后对优秀个体进行模拟退火处理，增强了算法的局部搜索能力。根据迭代的次数和种群的适应度对遗传概率进行自适应调节，使得算法在前期丰富种群多样性，避免算法“早熟”。提出基于人工神经网络的照度模型来计算室内照度分布，对照明舒适度进行评估，为构造优化算法的适应函数提供了依据。通过仿真实验，在本文介绍的照明场景应用遗传模拟退火算法，并与传统粒子群算法和遗传算法进行比较，其照明节能性能分别高出5.30%和13.61%。

深度学习在检测领域高速发展，但受限于训练数据和计算效率，在基于嵌入式平台的边缘计算领域，尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象，同时为满足现阶段国产化、智能化的技术需求，提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络，解决了网络模型无法在线更新的问题，提升了跟踪的准确性；在IoUNet损失函数中加入中心距离惩罚项，解决了IoUNet当IoU相同时位置跳跃，存在收敛盲区和收敛速度慢的问题；将训练后的网络通过通道剪枝，缩减网络模型尺寸，提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行，算法准确率高达0.90（IoU>0.7），帧率达到66 Hz。

为提高光电系统对弱小目标的识别和分类能力，降低算法对硬件平台和数据的依赖，提出一种无监督分类方法−基于目标深度特征聚类的细粒度分类方法。该方法通过轮廓、颜色、对比度等浅层特征提取提示目标，经超分辨处理后，利用卷积神经网络对目标的深层特征进行编码，进一步采用基于注意机制的主成分分析方法进行降维生成表征矩阵，最后利用聚类的方式实现目标细粒度分类。实验验证了基于不同神经网络的深度聚类方法在不同数据集上的分类性能，其中采用ResNet-34聚类方法在CIFAR-10测试集上细粒度分类性能达92.71%，结果表明，基于深度聚类的目标细粒度方法能够取得与强监督学习方法相当的目标分类效果。此外，还可以根据不同簇数和聚类等级的选择实现不同细粒度的分类效果。

针对红外与可见光图像融合的实时性要求，介绍了一种解决目前高清或超高清多源图像拉普拉斯金字塔图像融合算法的实时实现方法。基于视频数据流设计了拉普拉斯金字塔并行流水线处理结构，分析了各流水线之间的时延及优化思路。通过片上缓存的方式补偿时延时间差，实现了算法的流水等长，保证了处理数据的完整性。该方法可以在赛灵思7系列及以上的可编程门阵列（field programmable gate array，FPGA）芯片上实现双通道1080×1920@60 Hz视频图像的5层拉普拉斯金字塔融合。实验结果显示，该实时并行处理方法融合效果良好，一帧图像的融合仅需10.535 ms，处理时延小于1 ms。

由于室内环境复杂，基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点。论文提出基于麻雀搜索算法（sparrow search algorithm, SSA）优化Elman神经网络，同时融合K-means聚类的一种可见光室内位置感知算法。对采集到的数据建立数据库，利用SSA对Elman的拓扑结构和连接权阈值进行优化，建立训练模型，解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题，提高收敛速度和稳健性；利用K-means对数据库优化分类，将处理好的数据代入模型训练得初步预测结果；将初步预测结果代入子类二次训练得预测点的最终坐标，进一步提高定位精度。基于0.8 m×0.8 m×0.8 m的立体空间进行实验，结果表明：论文算法平均定位误差3.22 cm，定位误差小于6 cm，概率达到90%，相较SSA-Elman算法定位精度提高7.5%；相较Elman网络算法定位精度提高16%。