目前基于天基高光谱图像的导弹识别算法都是从光谱曲线的整体分析考虑, 所需数据量大, 算法处理冗余。为弥补算法不足, 首先从导弹尾焰光谱的影响因素考虑, 分析了导弹发动装置, 燃料成分及温度压强对尾焰光谱的影响, 得出在一定假设条件下, 使用特征段处的辐射数据即可达到导弹识别的结论。在此基础上引入模糊识别算法, 算法充分利用辐射强度与光谱线型信息, 识别结果是各型号导弹的隶属概率。通过对光谱角测度分析, 发现其过于依赖线型, 对线型相近的谱线识别效果不佳, 将模糊识别结果与光谱角测度识别结果对比, 证实了模糊算法在光谱识别中的优越性。

光谱图像包含丰富的空间信息和光谱信息,能够为天基预警探测任务提供重要的信息支撑,但其庞大的数据量给硬件设备带来了极大的挑战。传统的基于奈奎斯特采样的“先采样后压缩”的处理方式不仅无法从根本上解决数据量庞大的问题,还会造成资源浪费;针对此问题,利用单波段二维图像的稀疏性和空间编码数据的谱间冗余,设计了一种基于空间域压缩采样和谱域Karhunen-Loève (KL)变换编码的光谱图像重构方法,并建立基于 ₁ 范数和全变分约束的单波段二维图像复合正则重构模型,同时结合投影梯度法和软阈值收缩算子设计2D-CRPG模型求解算法。结果表明:基于空间域压缩采样和谱域KL变换编码的光谱图像重构方法能够有效降低数据采样成本,有利于天基预警探测光谱成像;2D-CRPG重构算法能够有效保留光谱图像的结构信息,从而在有限的采样率下较好地重构原始光谱图像。

针对复杂背景下红外弱小目标提取困难的问题, 提出了一种自适应 SUSAN各向异性扩散的红外弱小目标检测算法。该算法结合 SUSAN边缘检测算子与各向异性扩散, 形成新的扩散方程对红外图像进行背景预测, 与原图像差分后实现弱小目标检测。为使算法具备自适应能力, 提出 SUSAN边缘检测器灰度差阈值的自适应设定方法, 采用绝对偏差中值算子作为其扩散系数。实验结果表明, 该算法能够有效滤除复杂图像背景, 大幅提升信噪比, 同时保留目标大小。

在宽带探测模型的基础上，综合考虑光谱精细度以及数据量，融合窄带光谱信息进行目标识别，提出一种基于综合信噪比的红外预警卫星窄带探测波段选择方法。依据预警卫星窄带成像机理加入窄带滤光片，综合考虑目标和背景辐射、暗电流噪声以及探测器仪器热噪声等的影响，提出较为完备的综合信噪比计算模型。以**支援计划（DSP）预警卫星为例，选取中心波长在2.726，2.835，3.012，4.339 μm处带宽为10 nm的窄带波段为探测波段，计算了尾焰在不同高度下的综合信噪比光谱。

为研究反导作战中红外预警卫星系统对弹道导弹主动段弹道的跟踪性能，提出以后验克拉美-罗下界(Posterior Cramer-Rao Lower Bound, PCRLB)为衡量指标，结合8态重力转弯主动段运动模型和双星纯方位无源定位获取的量测量，系统分析了运动建模精度、量测精度、采样周期、测源不确定性下检测概率和虚警数目等因素对跟踪时效性和准确性的影响。仿真算例给出了上述因素对位置和速度跟踪性能的影响程度和规律，可为预警卫星反导作战、战技指标关联建模以及星载探测器优化设计等提供有意义的参考。

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性；然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能；采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性；最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。

针对高光谱图像目标检测问题，提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性，基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献，并且系数求解更加简单直接；在基于向量2-范数极小化问题求解联合表示系数时，引入相似性正则化矩阵与和为1的条件对系数进行约束，以增强算法的稳定性和分辨力；进而将联合表示检测算法扩展到核空间，利用高光谱图像的局部统计特性进行核参数自适应选取，增强了核参数的局部适应性。为验证该方法的有效性，采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验，并与传统异常检测方法的检测结果进行对比分析，结果表明该方法具有较传统异常检测方法更出色的检测效果。

为了减少复杂红外图像中平滑背景边缘的影响,将具有各向异性特性的 PM扩散模型应用到红外弱小目标检测,提出了空间自适应卷积核滤波检测算法,并对扩散系数进行了优化.针对模型中扩散参数难以确定的问题,提出了一种利用 Sobel边缘检测算子估计扩散参数的方法.滤波后采用信噪比(SNR,Signal Noise Ratio)和接受机工作特性(ROC,Receiver Operating Characteristic)曲线进行性能评价,实验结果表明,与 PM扩散模型滤波和中值滤波相比,该算法有效抑制了边缘,大大提高了信噪比,提高了检测概率,降低了虚警概率,具有更好的性能.