为探究成像参数对大深度物体聚焦形貌恢复精度的影响规律，明确实际应用中聚焦形貌恢复重建精度不满足要求时成像系统的改进措施，在构建聚焦形貌恢复三维重建精度评价指标的基础上，利用正交实验确定成像参数对聚焦形貌恢复精度影响的主次顺序，重点分析主要和次主要参数对重建精度的影响规律，并揭示最佳成像参数随多聚焦图像采样间距的变化关系。考虑到成像参数的变化实际通过改变系统景深影响聚焦形貌恢复精度，建立了多聚焦图像采样间距与最佳景深之间的经验公式，为系统成像参数的设定提供了理论依据。实验结果表明：焦距和F数是聚焦形貌恢复的主要和次主要影响参数，在给定多聚焦图像采样间距下存在使重建精度最高的最佳焦距和最佳F数，且随着采样间距减小，最佳焦距增大，最佳F数减小；多聚焦图像采样间距与最佳景深之间的经验公式拟合准确率为97.28%，验证准确率为94.76%，可用于最佳景深的计算；采用最佳景深能够显著提升聚焦形貌恢复精度，为大深度物体聚焦形貌恢复精度的提升提供了新途径。

叶绿素荧光检测技术作为一种无损检测技术应用十分广泛。传统叶绿素荧光检测技术激发信号时使用的阶跃或调制脉冲（PAM）频带窄，而光合系统是一个高阶的宽带系统，难以激发出光合系统所有的动态特性，使叶绿素荧光信号含有的信息丰富度受限。目前市面上的叶绿素荧光仪均不具备宽带激励功能，限制了新兴的人工智能算法能够处理复杂信号、挖掘丰富信息的能力。针对该问题，基于伪随机二进制序列（PRBS）信号，设计开发了一套具有宽带激励功能的叶绿素荧光仪。该仪器同时能测量传统的叶绿素荧光诱导动力学曲线（OJIP）与PAM曲线，对5种不同植物在3种激发光下的叶绿素荧光的信息熵进行对比，结果表明，PRBS激发的叶绿素荧光具有最高的信息熵。该仪器能够提供信息更丰富的叶绿素荧光信号，有望为植物生理及环境胁迫检测提供新型的科学仪器。

提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法，选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架，并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上，基于无锚框的思想构建预测网络，以提升跟踪器的灵活性和通用性，同时提出一种模板动态更新的策略，通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明，所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。

跨模态行人重识别是一项具有挑战性的行人检索任务。现有研究侧重于通过提取模态共享特征来减小模态间差异，忽视了对模态内差异和背景干扰的处理。为此，提出了一种掩膜重构与动态注意力（MRDA）网络，该网络通过重构人体区域特征来消除背景杂波的影响，从而增强网络对背景变化的鲁棒性。此外，该网络结合了动态注意力机制，以过滤无关信息，动态挖掘并增强具有辨别力的特征表示，消除模态内差异的影响。实验结果显示：该网络在SYSU-MM01数据集的all-search模式下的第一个检索结果匹配成功的概率（Rank-1）和均值平均精度（mAP）分别达到70.55%和63.89%；在RegDB数据集的visible-to-infrared检索模式下的Rank-1和mAP分别达到91.80%和82.08%。在公共数据集上验证了所提方法的有效性。

图像匹配能将待匹配图像变换到原有图像的坐标系中，在各种视觉任务中起着重要的作用。基于特征的图像匹配算法能够在图像中匹配到一些更具区分度的特征，与其他图像匹配方法相比，其具有高精度、高灵活性、高鲁棒性等特点。针对传统特征匹配算法匹配稀疏的问题，提出一种基于改进深度特征匹配算法的密集特征匹配方法。首先，通过VGG网络提取图像的一系列特征图，在初始特征图进行最邻近匹配计算单应性矩阵并进行视角变换；然后，基于特征图的频域匹配特点进行深层特征图融合，用于特征粗匹配；最后，基于粗匹配的结果在浅层特征图上进行特征细匹配用于校正特征匹配的结果。实验结果表明：所提算法提升了特征匹配的精度和匹配的特征数量。

点云补全指利用不完整点云数据重建完整三维模型的过程。现有的大多数点云补全方法受点云无序性和不规则性影响，难以有效地重建局部细节信息，进而影响补全精度。为解决这个问题，提出基于注意力的多阶段点云补全网络。设计了满足置换不变性的金字塔式点云特征提取器以建立局部内点间的依赖以及不同局部间的相关性，在提取全局特征信息的同时加强对局部特征信息的提取。在点云重建过程中，采用由粗到精的方式，首先生成一个低分辨率的种子点云，然后逐步丰富种子点云的局部细节，得到更加精细且稠密的点云。在公开数据集PCN下进行的对比实验结果证明了所提网络能够有效重建局部细节信息，与现有方法相比，在补全精度上提升了至少5.98%。消融实验结果也进一步验证了所提注意力模块的有效性。

提出一种基于多通道交叉卷积UCTransNet（MC-UCTransNet）的图像域双材料分解方法。该网络以UCTransNet为基础架构，采用通道交叉融合转换器和通道交叉注意模块来提高基材料分解性能，实现双输入双输出的端到端映射。网络中通道交叉融合模块和通道交叉注意模块可更好地捕捉复杂的通道信号相关性，以更充分地进行特征提取与融合，实现基材料生成路径之间的信息交换。为进一步提高模型的拟合性能，网络训练时采用混合损失及Sigmoid函数的归一化方法。实验结果表明，在骨骼基材料及软组织碘基材料分解任务中，所提方法能获得优质的基材料图像，与对比方法相比，其分解后的基材料图像在准确度及噪声伪影抑制上表现更好。

针对批量化零件的自动化高效视觉检测需求，传统的先视点再路径的单独规划方法容易导致检测效率陷入局部最优。为此，本文提出一种视点与路径多目标整体规划方法，将视点和路径规划问题建模为一个组合优化问题进行多目标优化，旨在全局寻求检测效率最优解。该方法基于表面曲率对视点进行自适应冗余采样，构造兼顾质量与多样性的采样视点集。针对视点覆盖率与检测时间成本两个优化目标，提出基于约束的非支配排序遗传算法（C-NSGA-Ⅱ）进行优化，快速得到满足最小覆盖率的全局最优解，从而实现视点与路径的整体规划，最小化检测时间成本。仿真实验结果表明，该方法相比于简化为单目标优化问题的整体规划方法，运算效率提升90%左右；与传统的单独规划方法相比，视觉检测时间成本有效缩短10.52%以上。最后通过机器人视觉检测应用验证了本文方法的有效性与优越性。

自动驾驶场景中，通常会用基于体素化的算法来完成点云3D目标检测任务，因为该类方法拥有计算量少、耗时少等方面的优势。但是当下常用的方法往往会带来双重信息损失，其一是体素化带来的量化误差造成的，其二则是对体素化后的点云信息利用不充分造成的。设计一个三阶段的网络结构来解决信息损失大的问题。第一阶段使用基于体素化的优秀算法完成输出边界框的任务；第二阶段利用一阶段特征图上的信息精修边界框，以解决一阶段对输入信息利用不充分的问题；第三阶段利用了原始点的精确位置信息再次精修边界框，以弥补体素化带来的点云信息损失。在Waymo Open Dataset上，所提多阶段3D目标检测算法的检测精度超过了CenterPoint等受工业界青睐的优秀算法，且满足自动驾驶落地的时间要求。

目前在零件模型上容易将低曲率圆柱面的局部区域识别为平面，并且只能做到一种图元的快速准确检测。基于此，提出一种能够同时对平面和圆柱面进行精确快速检测的面向点云数据的面图元快速检测方法。该方法分为粗识别和精化两阶段：首先，将点云划分为小粒度基片，计算基片特征，粗识别出平面基片或圆柱面基片；之后，根据过滤条件将圆柱面基片邻近的平面基片过滤，合并具有相同特征的基片得到完整平面和圆柱面。使用5个机械零件数据进行实验验证，并将其与目前流行的两种识别方法进行比较。结果表明，该方法不会出现其他两种方法存在的遗漏和错误识别现象，同时在多圆柱面相连时的准确分割以及曲面参数精度上，优于其他两种方法。