实时多目标跟踪算法取得了理想的跟踪性能，但大多数现有算法的跟踪速度较慢，且随着背景复杂度的增加，跟踪精度也随之降低。针对此问题，本文提出了基于在线数据关联的行人实时跟踪算法。首先，设计了核相关滤波和卡尔曼滤波双轨道预测机制，配合DeepSORT中的级联匹配形成了预测-跟踪-校准体系，使数据关联更加可靠。此外，在目标检测部分引入了注意力机制，通过强化目标对象的位置信息增强特征表示能力，从而提升跟踪的精度。该模型在MOT16数据集上的MOTA达到了66.5%、IDF1达到了64.2%、IDSW达到了641。与DeepSORT算法对比，MOTA和IDF1分别提升了13%和13.2%，IDSW下降了410。本文算法有助于解决行人实时跟踪时出现的目标误检、漏检等问题，在跟踪中对严重遮挡情况仍保持了较高的跟踪精度，在复杂环境下可以实现行人实时稳定跟踪。

针对卷积网络模型的稳定性能较差，对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题，提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法（VVNet）。在卷积神经网络的基础上，融合人体视觉的结构特征，在不增加网络层数或保持准确率不变的情况下，提高神经网络面对噪声干扰的稳定性。在数据集Cifar10上对3种不同神经网络模型（VVNet，VOneNet以及原网络模型）进行测试。实验结果表明，使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像（噪声图像、模糊图像、遮挡图像和饱和曝光图像）的分类准确率进行对比，验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变，在使用对抗样本情况下，VVNet网络结构的图像分类准确率提高了约10%。与深度学习网络相比，基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性，并具有可移植性。

图像是现代化战争的重要信息来源，雾天环境下图像质量下降，严重妨碍光电侦察识别能力。为提高雾气环境下图像有效利用性，开展了适应性双通道先验的图像去雾方法研究。首先，以暗通道先验理论与亮通道先验理论为基础，将有雾图像从 RGB 空间转换到 HSV 颜色空间，使用饱和度和亮度分量的阈值来检测有雾图像中分别不满足暗通道先验和亮通道先验的白色或亮色像素点和黑色或暗色像素点；然后，选用超像素作为暗通道和亮通道计算的局部区域，估计局部透射率和大气光值；最后，由于亮暗双通道方法对白色和黑色像素点的透射率和大气光值进行错误估计，采用本文提出的适应性双通道先验方法进行矫正，通过导引滤波器对透射率图和大气光图进行滤波，代入到大气散射模型中，求得清晰的去雾图像。实验结果表明，去雾后的图像恢复了真实颜色、视觉效果自然、清晰，准确高效地实现图像的去雾处理；在FRIDA数据集上进行去雾处理，采用本文方法的去雾图像与真值的均方误差优于现有方法，相较于双通道先验去雾方法的均方差值降低了15%。