为了同时保证融合质量和效率，提出了一种基于多尺度高斯滤波和形态学变换的图像融合方法。设计了多尺度高斯滤波，将源图像分解为一系列细节图像和近似图像，并使用多尺度顶帽和底帽分解来完全提取近似图像中不同尺度的明暗细节。构造了多尺度形态学内外边缘分解，以充分提取细节图像的边缘信息。实验结果表明，该方法与典型的基于多尺度分解的融合方法相当甚至更好，同时比一些先进的基于多尺度分解的方法（如NSCT和NSST）运算速度快得多。

为了拓展非制冷短波红外探测器在弱光夜视观测方面的应用，开展了针对短波红外低照度成像的研究。提出了一种新的图像增强方法抑制图像噪声增强图像细节进而改善图像质量。使用3D降噪（3DNR（3D Noise reduction））算法，将多尺度高斯差分法结合边缘保持滤波器最大限度地分离图像高频信息与隐藏噪声，再针对图像进行自适应灰度映射。实验结果表明：该算法显著地抑制了在低照度下图像的时域噪声，丰富了短波红外图像的细节，改善了短波红外的夜视显示效果。

在复杂多变的海面环境下，应用红外成像技术对海面中小目标进行搜救时，为有利于后续针对不同场景的目标处理，有必要对采集的原始图像进行分类处理。根据不同的环境条件，将海面红外图像分为五类场景。从两个方面对训练集图像进行特征提取，一个是通过高斯滤波将图像分为基础层和细节层，然后使用改进的方向梯度直方图（HOG）方法提取特征；另一个是提取图像的局部对比度得到局部特征。将提取的特征向量融合并输入到分类器中，使用支持向量机（SVM）对测试集图像进行分类。文章使用了HOG和局部对比度方法（LCM）结合的新特征描述符对海面红外图像的场景进行分类，与其它方法相比，结果表明改进方法的准确率达到96.4%，体现了可行性和有效性。

在天基平台下实现对空中飞机目标的探测，存在距离远、目标信号弱、背景杂波复杂和探测器噪声等不利因素，因此，要获取目标的最强信号，确定在探测过程中的谱段至关重要。为此系统性地建立了飞机羽流的梯形羽流和锥形羽流仿真模型，并提出了利用信噪比（SNR）和信杂比（SCR）联合的SNCR方法对空中目标的探测谱段进行确定。实验结果表明：针对空中目标，不同目标SNCR值不同，但峰值区域不变，由此方法可以确定探测谱段，最终确定探测的谱段分别为：中波波段为3.7~4.15μm，波段间隔在0.3μm以上；长波波段为8~12μm，波段间隔在0.35μm以上。

针对红外强度图和红外偏振度图融合问题，提出了基于烟花算法优化空域加权平均法的智能图像融合方法。在构建优化问题模型的基础上，确定了烟花算法的边界条件。通过引入相对熵权值建立了基于综合相对熵的适应度函数。最后，与6种典型的传统融合方法在“ground”、“truck”、“car”3组红外强度和偏振度图像数据上进行了融合实验，对融合结果进行了客观评价和视觉效果评价。实验结果表明：所提方法可以有效实现红外强度图和红外偏振度图的融合，较好保留了红外强度和红外偏振特征。综合视觉效果和客观评价结果，在相对熵、总结构相似性、总互信息指标上优于比较算法。

为了有效地检测复杂背景下的红外弱小目标，提出了一种基于横纵多尺度灰度差（HV-MSGD）的方法来增强弱目标，并通过距离和像素差异来实现对背景强边的抑制。目标区域与周围区域之间存在不连续性，为了加强它们的差异，HV-MSGD与双边滤波（BF）相结合，可以在抑制背景的同时提高目标强度。进一步通过自适应局部阈值分割和全局阈值分割来提取候选目标。为了进一步验证对单帧检测的影响，将上述单帧检测算法与改进的无迹卡尔曼粒子滤波器（UPF）相结合，实现轨迹检测。实验结果表明，该方法在弱信噪比（SNR）下优于其他方法，在抑制背景的同时可以增强目标，增强效果是其他方法的6-30倍。在实验中，输入信噪比分别为2.78,1.77,1.79,1.13和1.16。图像处理后，背景抑制因子（BSFs）分别为13.48,21.33,11.73,20.63和121.92，信噪比增益（GSNRs）分别为40.09,71.37,27.53,12.65和131。该方法的检测概率（Pd）也优于其他算法。当误报率（FARs）为5×10-4, 1×10-3, 1×10-3, 1×10-5和7×10-6，计算五组真实序列图像的Pd为94.4％，92.2％，91.3％，95.6％和96.7％。

由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率，但同时又会增强背景噪声。针对此问题，提出了基于稀疏编码的红外显著区域超分重建算法，将超分重建和显著度检测相结合，可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征，并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域，再将显著区域用训练好的字典进行超分辨重建，与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN，图像信噪比提高3~4倍。

近年来，获取高分辨探地雷达图像以实现目标检测受到广泛关注。相位偏移补偿算法（PSM）可以针对不同介电常数的多层介质成像，在各领域应用广泛。受距离维像素循环计算过程影响，PSM成像速度慢。基于PSM相关理论基础，提出改进波数域的多层介质快速成像算法，在每个独立介质层中，通过快速傅里叶运算取代PSM算法中的像素迭代过程，可以有效降低成像时间。针对双层介质模型，提出基于目标顶点区域提取的波速估计方法，用于精确补偿相位成像。通过搭建双层介质实验平台，利用该算法获得了多种被埋目标高分辨图像，验证了算法的有效性。

在红外超分辨率成像应用中，提高主观视觉效果有着很现实的需求.当前基于深度学习的图像超分辨率重建方法大多以客观评价指标为损失函数进行训练和优化，主观评价方法因量化困难而难以应用，为此本文着重研究了主观评价和各种可量化的客观评价指标的相关性，发现相位一致性特征与主观评价结果关联度高.据此设计了基于主客观联合评价的损失函数，应用于红外图像超分辨率重建算法，实验表明，在保持客观质量评价的同时，更好地提高了图像的主观视觉效果.