压缩感知高光谱计算成像技术是当前高光谱计算成像领域的研究热点之一，其能够在保持系统元器件物理特性不变的前提下，有效地提升成像质量。本文概述了高光谱计算成像的研究背景和基本概念，详细介绍了压缩感知高光谱计算成像系统的发展现状，重点阐述了本团队提出的基于空-谱编码的压缩感知高光谱计算成像技术，并对其系统组成、数理模型以及最新进展进行了说明。通过总结压缩感知高光谱计算成像的背景知识以及空-谱编码压缩感知高光谱计算成像的研究工作，力求为科研人员探索压缩感知高光谱计算成像新体制带来新的思路，促进高光谱计算成像技术的发展。

单目标跟踪是计算机视觉领域重要的分支，旨在对视频序列中的指定目标进行连续跟踪。近年来，基于深度学习的单目标跟踪方法发展迅猛，其中基于孪生网络的双流跟踪方法和基于Transformer的单流跟踪方法是两种基础架构。本文从原理、组成结构、局限性及未来发展方向等角度对这两种架构进行了全面介绍与分析。另外，数据集是方法训练及评测的基石，本文汇总了当前主流的深度学习单目标跟踪数据集，详细阐述了跟踪方法在数据集上的评测方式及评测指标，并总结了多种方法在数据集上的表现。最后，从宏观角度分析了深度学习目标跟踪方法的未来发展趋势，以期为相关研究人员提供参考。

针对上下文感知相关滤波目标跟踪算法中, 上下文背景样本等值权重训练, 对背景信息滤波过于平滑的问题, 提出了一种自适应上下文感知相关滤波算法, 同时为了解决目标遮挡的问题, 引入一种新的遮挡判定指标。首先, 提取目标上下左右4个方向的背景样本学习到滤波器中, 利用卡尔曼滤波对目标运动状态进行估计, 预测目标的运动方向。在滤波器训练时, 对目标运动方向上的背景样本训练时赋予较多的权重; 接着, 在模型更新时引入一个新的遮挡判定指标APCE, 只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时, 才对目标模型进行更新; 最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明, 本文算法的精准率和成功率分别为0810和0701, 均优于其他算法, 充分体现出了本文提出算法的鲁棒性。

为了提高自制位置敏感探测器（PSD）激光三角位移传感器的精度，提出一种简单、可行的数据修正方法，对传感器所采用的测量原理、敏感器件及自制工艺等进行了研究。首先，对自制的位移传感器的静态精度进行实验标定，分析其位移误差曲线。通过将位移测量误差曲线与敏感器件自身检出误差曲线进行比对，结合自制传感器的组装工艺，分析其误差来源。然后，通过调整激光三角测量原理中位移传递公式的具体参数，达到优化自制位移传感器的静态精度的目的。最后，用反复多次地，不同测量范围、测量步长下的位移数据曲线优化效果，证明这种修正方法的普适性。实验结果证明：经过该方法修正后，自制的PSD位移传感器的测量数据的误差降低约80%，其静态位移精度基本达到1%。这种修正方法能够简单、有效地提高PSD激光三角位移传感器的测量精度。

针对影视作品中的大量离焦图像，提出了一种离焦图像的深度图提取方法。将离焦图像的聚焦前景和离焦背景进行分离。对离焦背景提出了深度图模型匹配的方法，构建深度图模型并结合人眼视觉对场景深度的敏锐判断，将背景与对应的深度图模型进行匹配，实现背景深度图的构建；提出了基于颜色分割的深度图再处理，来进一步提高场景深度图的精度。对前景采用单深度赋值，并结合背景深度图融合生成最终深度图。实验表明采用该方法提取的深度图在深度跳跃和深度平滑区域都得到了好的效果。