针对红外图像相对于可见光检测精度低，鲁棒性差的问题，提出了一种基于 YOLO的多尺度红外图目标检测网络 YOLO-MIR（YOLO for Multi-scale IR image）。首先，为了提高网络对红外图像的适应能力，改进了特征提取以及融合模块，使其保留更多的红外图像细节。其次，为增强对多尺度目标的检测能力，增大了融合网络的尺度，加强红外图像特征的进一步融合。最后，为增加网络的鲁棒性，设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响，结果表明在红外数据集下网络性能得到明显提升。与主流算法 YOLOv7相比在参数量不变的条件下平均检测精度提升了 3%，提高了网络对红外图像的适应能力，实现了对各尺度目标的精确检测。

由于器件及工艺等技术限制，红外图像分辨率相对可见光图像较低，存在细节纹理特征模糊等不足。对此，本文提出一种基于深度卷积神经网络(convolutional neural network，CNN）的红外图像超分辨率重建方法。该方法改进残差模块，降低激活函数对信息流影响的同时加深网络，充分利用低分辨率红外图像的原始信息。结合高效通道注意力机制和通道 -空间注意力模块，使重建过程中有选择性地捕获更多特征信息，有利于对红外图像高频细节更准确地进行重建。实验结果表明，本文方法重建红外图像峰值信噪比(peak signal to noise ratio，PSNR）优于传统的 Bicubic插值法以及基于 CNN的 SRResNet、EDSR、RCAN模型。当尺度因子为× 2和×4时，重建图像的平均 PSNR值比传统 Bicubic插值法分别提高了 4.57 dB和 3.37 dB。

传统的基于过渡区域提取的目标分割算法存在噪声敏感问题, 从而会影响到过渡区域提取的准确性。 与可见光图像相比, 红外图像特别是红外光谱图像, 受到探测器无法消除的热噪声影响, 传统的目标提取算法准确率普遍降低。 此外, 虽然通过边缘能够精确定位目标, 但是无法获取目标完整边缘。 而过渡区域的灰度分布特点是可以解决基于边缘的目标提取难题。 因此为了提高目标提取的抗噪性和准确性, 提出了一种将过渡区域提取与边缘检测结合的自适应红外目标提取方法。 首先利用像元空间邻域信息构造密度, 以此有效降低噪声影响和获取图像边缘信息。 然后基于像元密度信息最大分离目标边缘与背景, 得到有效边缘和过渡区域, 进而以此生长出目标。 将边缘与过渡区域结合, 可以很好地抑制噪声, 多幅复杂场景实验评估了该方法的抗噪性能, 结果显示, 提出的方法在噪声的干扰下能较好的提取目标。

在保证分类结果清晰、准确的前提下，为了提高分类执行效率，本文基于图形处理器（graphicprocessing unit, GPU）及并行优化，提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法。利用高光谱图像的空间一致性有效提高分类精度，同时，利用归一化光谱向量简化了像元间相似性的计算公式，统一了图像内像元处理方式，并利用GPU 并行技术有效提高计算速度。首先，利用GPU 并行处理方法计算空间相邻像元间光谱向量相似性，根据高斯拟合取得安全阈值；然后利用光谱角作为像元光谱相似测度，将相似像元划为同质区；最后以同质区内各像元平均光谱向量表述同质区光谱特征，根据安全阈值合并相似的同质区完成分类。用AVIRIS 数据评估了该方法性能。本文的理论分析和实验结果显示，与现有非监督分类方法相比，该方法分类精度更高，同时，算法本身运行速度更快。

为了增强探测器在微弱光信号条件下的成像质量，提出了一种利用哈达玛变换(Hadamard Transform，HT)实现高灵敏探测的成像方法。基于探测器噪声独立于信号，且每次测量噪声也相互独立的假设，分析了在哈达玛编码成像与经典成像中，噪声对图像信噪比的影响。推导出编码成像的信噪比提升与编码模板长度n有关，约为经典成像信噪比的sqrt(n)/2 倍。同时采用分区编码的方式，减小了高分辨率图像的编码时间。实验结果表明，与经典成像方式相比，采用分区编码的哈达玛变换成像方法明显的提高了图像的信噪比，同时可以在高分辨率图像条件下，缩短编码时间。

针对反射式成像光谱系统普遍存在多次反射(和衍射)产生杂散光和装调难度大等问题,设计了一种高性能透射式系统,全部使用通用光学组件,简化了系统结构,降低了成本和装调难度,较传统成像光谱仪有更广的适用范围.该设计中全部部件都非定制,可以根据应用场合更换,具有较好的灵活性,采用透射的方式,减少了杂散光的影响.利用ZEMAX软件仿真、优化了搭配两组不同物镜的系统光路,对畸变、MTF、色差等性能进行测试.对比25和50 mm物镜的系统性能,发现望远镜头的更换对整个系统成像质量的影响不大.参照设计参数成功搭建出一台成像光谱仪,其中望远物镜采用准对称双高斯结构,有利于控制场曲和畸变;采用透射式平面衍射光栅作为分光器件,制作工艺成熟,无需定制,装调简单.光谱分辨率和畸变测试结果显示该系统拥有良好的畸变控制能力,光谱分辨率达到2 nm,满足设计要求,利用标定后的系统测得的氘灯光谱取得了较为理想的结果。

提出了一种光谱角匹配(SAM)加权核特征空间分离变换(KEST)高光谱异常检测算法.在基于核的特征空间分离变换(KEST)算法基础上，利用光谱角匹配(SAM)测度对高维特征空间中检测点邻域差异相关矩阵(DCOR)中的每个样本引入权重因子，各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角，从而抑制检测窗口中的病态数据，突出主成分数据的贡献，使得DCOR矩阵能够更好地描述目标、背景数据分布差异.通过理论分析和对模拟、实际数据实验比较，证明该算法较传统异常检测算法和KEST算法具有更高的检测率.

为了提高分类精度和边缘辨识性, 该文引入图像空间一致性降元(pixels reduction with spatial coherence property, PRSCP)及线性回归分析, 提出了一种基于空间一致性降元的非监督分类。 该方法从像元光谱相似性出发, 利用像元最小关联窗口合并相邻相似像元为像块完成降元。 使用线性关系建模像块内像元的光谱向量, 并利用F检验判断像块数据的线性显著性。 利用一元线性回归(one dimensional linear regression, ODLR)估计出像块的基准向量, 根据基准向量合并相似(同类)像块完成分类。 利用AVIRIS数据评估了该方法性能, 实验结果表明: 与K-MEANS和ISODATA方法相比, 该方法精度高、 边缘辨识度好及鲁棒性强。