：针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题，提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对，通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下，采用快速的迭代算法，建立目标的主分量(PCA)子空间表示，结合计算得到的仿射变化参数，构造有效的目标观测模型完成跟踪。同时，采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明，提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。

针对长距离时外参数标定实际操作难度较大，本文将标定靶杆作为外参数标定的媒介，而后采用双目交会方法进行相关精度验证。通过分析标定靶杆上合作标志物的世界基准坐标系坐标误差对相机内外参数的影响，从而确定最终双目交会时对实测合作目标的世界基准坐标系的影响。实验结果表明，为了使得合作标志物的测量坐标在项目要求的10 mm 精度范围之内，标定杆上合作目标的大地测量X 轴坐标精度须在0.621 9 mm 以内，Y 轴上坐标精度为13.341 2 mm，Z 轴坐标误差为0.729 1 mm。

为了满足姿态测量时对椭圆合作目标的高精度定位要求, 提出了一种基于灰度导数加权的椭圆拟合算法(WGG)。首先, 在进行预处理之后的二值图像上提取初始边缘点, 采用简单的代数拟合方法得到椭圆参数; 其次, 考虑二值化过程中的不确定因素会对提取边界点带来干扰, 根据原始图像中边缘灰度的渐变性, 利用边缘点的灰度导数值对其进行高斯函数拟合; 最后, 求取每一个边缘点的正交相切点, 并构造优化目标函数求取椭圆最优参数。实验结果表明, 对测试图像提取出来的椭圆拟合误差能达到0.013像素以内, 与真实值点的平均误差为0.017像素, 真实图像中椭圆的平均拟合误差为0.0086像素。对于不同的外界环境该方法都能获得更精确的亚像素边缘和椭圆中心, 具有很高的精确性和鲁棒性。

为了更精确地对飞机姿态进行交会测量, 提出了一种新的外参数标定装置来获得相机参数。首先通过高精度全站仪获得标定杆上圆形标记点在世界基准坐标系下的坐标, 然后通过摄像测量仪采集标定杆图像, 对其进行高精度椭圆拟合得到标记点在像素坐标系下的坐标, 在已知相机内参数的情况下求解世界基准坐标系到相机坐标系的旋转矩阵和平移向量。已知距离标记点验证实验结果表明: 相邻点间平均距离误差为0.1288mm, 具有较好的易操作性和标定精度。

对于某些目标跟踪算法而言, 初始位置的选取是否精确是算法能否有效跟踪的关键点之一。从目标的灰度信息分布特点出发, 提出一种基于加权信息熵的初始位置修正算法, 首先, 在搜索窗口中获取测试样本, 然后, 计算各个样本的加权信息熵, 接着, 通过先验信息对样本进行筛选, 获得熵值最小区域, 从而得到修正后的目标位置。从背景和目标的可区分性上来验证算法的有效性, 实验结果表明, 对于处在复杂背景下的目标, 该算法能正确且可靠稳定地对其位置进行修正。

KNN算法是光测图像关键事件评估中常用的算法, 经典的 KNN算法只注重候选范例的个数, 而忽视候选范例个体的特殊性, 因此 KNN方法在某些时候会使得评估结论极不合理。基于此, 本文提出了改进的 KNN算法, 该算法更加注重候选范例的个体性, 候选范例到目标范例的距离、候选范例的概率分布等, 对目标范例的评估结论都有重要影响。实验结果表明, 本文提出的 KNN改进算法比经典 KNN算法评估结论更准确, 计算出的隶属度表征了关键事件成功失败的程度, 结论更实际更合理。

RETE匹配算法是基于规则推理系统中的经典高效算法，但是在飞行器评估这种规则和事实数量较多的系统，推理效率并不高，因为在模式匹配中，join 操作的开销与事实的平方成正比。事实和规则数量较多时，产生的中间匹配信息大大增加，增加了时间复杂度和空间复杂度，严重降低了推理效率。针对飞行器评估系统的特点，本文分析了优化RETE 拓扑结构是提高推理效率的关键，然后提出了基于代价模型的RETE 优化算法，该算法可以自动寻找最优的RETE 拓扑结构，减少了join 中间结点的数据，大大降低RETE 算法的时间复杂度和空间复杂度。经实验测试，基于代价模型的RETE 算法在飞行器评估系统中的运行效率较高，满足飞行器评估的需求。

积分时间调整是扩展红外辐射测量系统动态范围的主要手段，针对再入高速目标因辐射剧烈变化存在积分时间调整影响实时跟踪和图像饱和的问题，提出基于辐射标定的积分时间实时调整方法.该方法通过辐射标定得到不同积分时间的响应度和偏置，利用跟踪器提取的目标和背景信息计算光学入瞳处当前积分时间的目标和背景辐射；再反演计算其他积分时间的目标和背景信息，并以此计算跟踪判据，自动确定最佳积分时间.实验证明，该方法能准确预测满足跟踪要求的最优积分时间，有效减少测量过程中积分时间调整次数，目标连续跟踪正确率达100%.

针对经过多次范例推理后范例库不断增大而导致占用存储空间大、检索速度慢等问题, 本文提出一种基于支持向量的范例约简算法, 其核心思想是找到范例库中的支持向量并确定出三个边界, 然后保留支持范例, 约简对求解新问题不起什么作用的冗余范例。实验结果表明, 该方法在牺牲很小的分类准确率的情况下, 大大减少了范例库的占用空间和检索复杂度。

压缩跟踪算法作为一种新的算法, 具有简单、高效、实时的优点, 但该算法依然存在缺陷。首先, 在复杂背景或有遮挡等情况下, 容易较快的引进误差; 其次, 跟踪窗口保持不变, 使得不能正确跟踪目标位置且不能准确更新正负样本; 最后, 搜索样本数目大, 导致跟踪速度不理想。针对这些问题, 利用前后帧跟踪点的直方图对比来判断遮挡的发生, 并自适应的改变更新系数; 采用在原算法最优匹配点周围小范围多尺度搜索更优位置的方法, 来适应目标尺寸的变化; 引入粗精跟踪策略, 在不同阶段使用不同数量的子特征集进行匹配, 以筛选样本、减少计算量。这些改进避免了算法缺陷导致的跟踪失败, 提高了跟踪效率。实验证明, 改进后的算法比原算法具有更好的鲁棒性且跟踪速度更快。