为进一步提高遗传算法-偏最小二乘法的计算速度和计算效率,将量子算法融合到遗 传算法-偏最小二乘法中,提出一种新的特征选择方法：量子遗传算法-偏最小二乘法(Quantum genetic algorithm-partial square least, QGA-PLS)算法。该方法利用量子态和叠加态原理对染色体进行编码,采用量子旋转门 进行遗传操作,以实现参数的更新和增强种群多样性。同时,用量子计算重新构建了偏最小二 乘法回归模型来计算个体适应度,以充分发挥快速收敛和全局优化能力。将方法应用于函数极 值优化和Iris数据集的特征选择,实验结果表明, QGA-PLS在特征选择、运算时间和分类准确率 方面优于QGA和GA-PLS,从而验证了QGA-PLS算法的有效性。

针对复杂背景下Camshift算法容易丢失目标的情况，提出一种基于YCBCR空间将红外与可见光融合图像与彩色参考图像进行颜色传递后，采用Camshift进行目标跟踪的算法。该算法在颜色传递时充分利用双波段图像信息，得到的目标对比度高并且颜色空间较其周围背景突出，增强了目标的颜色概率图，提高了Camshift算法效率。实验表明，通过对可见光图像、经颜色传递后的红外图像以及传统颜色传递方法得到的图像采用相同跟踪算法进行定性分析，在该算法得到的图像中，跟踪窗口中心相对于目标质心仅有3个像素的误差，跟踪精度远远优于对比实验图像的跟踪结果，并且算法的跟踪时间为每帧20.6 ms，达到了实时性的要求。

针对红外图像对比度差、信噪比低的特点，提出了一种基于中值滤波和生物仿生学的微光图像对比度增强算法，首先对红外图像进行中值滤波去噪，然后用生物视觉模型对去噪后的图像进行增强得到增强后的图像。实验结果表明，该算法突出了图像的细节信息，同时增强了图像的对比度，与传统的中值滤波加直方图均衡和加权邻域平均加灰度调整等算法相比，图像的信噪比和峰值信噪比都有很大的提高。

针对红外图像存在的对比度差、信噪比低等问题，提出了一种基于小波和侧抑制网络的红外图像对比度增强算法。该算法首先利用小波变换法对图像进行小波分解，然后分别采用优化局部阈值和侧抑制网络法对分解后的高频系数和低频系数进行处理，最后进行小波重构，即得到增强后的图像。实验表明：该算法能够在实现图像增强的同时，较好地抑制图像噪声，并可以有效凸显图像的细节。

针对融合图像采用帧间差法检测目标时会出现背景噪声的缺陷，在红外与可见光图像利用小波变换融合后，将彩色参考图像与融合图像在YCBCR空间进行颜色传递的基础上，提出了一种采用帧间差法和形态学相结合的运动目标检测方法。该算法得到的目标轮廓清晰、更易于识别，并且其中热目标呈红色，冷目标呈蓝色。同时实验结果表明在目标检测的过程中，该算法能消除图像融合产生的背景噪声，适应复杂场景的检测，在性能上满足实时性的要求。