卷积神经网络（CNN）由于出色的性能，被逐渐应用于图像融合领域。对于红外图像和可见光图像的融合任务而言，由于没有标签数据，对其进行无监督的学习建模具有重要意义。针对这个问题，提出了一种无监督的端到端的深度融合算法，该算法可以由输入的红外源图像和可见光源图像，直接预测出包含源图像显著信息的融合图像。所提算法构建了一个自编码网络，并使用真实的数据集进行训练。网络所用损失函数为广泛应用于图像融合任务的图像结构相似度量（SSIM）。具体地说，设计了一种改进的无参考图像评价指标来计算损失函数，达到对网络进行无监督训练的目的。此外，将注意力机制引入到模型中进一步提升了融合结果。将所提算法与多种融合算法进行了对比实验，实验结果表明，所提算法融合结果无论在主观评价还是客观指标评价方面都十分具有竞争力。

为提升相关滤波跟踪算法在目标遮挡、背景嘈杂及目标形变等干扰下的跟踪精度,提出一种基于时序一致和空间剪裁的多特征相关滤波跟踪算法。在训练阶段利用二值矩阵掩模对滤波器模板的能量分布进行裁剪,使模板信息更加集中于目标区域,从而缓解循环样本造成的边界效应;利用l2范数作为时序一致模型对相邻帧的滤波器建立平滑性约束,使滤波器模板学习到相邻帧目标的上下文信息,增加算法的抗干扰能力;为进一步提升目标模板的表达能力,将包含丰富语义信息的ResNet50深度特征引入到跟踪框架中,通过主成分分析法对提取到的深度特征进行降维,采用传统特征结合深度特征的方式提升跟踪结果的精确度和稳健性。将本文算法与5种算法进行对比实验,验证了本文算法在处理目标遮挡、背景嘈杂及目标形变等干扰时的稳健性。