为了实现复杂环境下航空零件孔特征的高效高精度检测，提出了一种集成视觉显著性和群决策的检测方法。在经典FT显著性检测算法中引入图像增强步骤，并为每个像素赋予以最大显著区域中心为参考的权重，使用改进后的方法对图像进行孔区域分割。设计具有多尺度多结构元素的新型数学形态学边缘检测算法，结合轮廓细化算法对孔区域进行轮廓提取。最后，利用Meanshift算法寻找轮廓点的圆心位置，建立新的基于群决策的圆半径计算模型，获得孔特征的关键几何参数。结果表明：改进的视觉显著性特征检测算法能够生成更加突显孔特征的全分辨率显著图；新型数学形态学边缘检测算法能获得简化且可靠的轮廓点；该方法在不均匀光照、各类孔缺陷和孔内壁干扰等条件下均显示出较好的稳定性；即使在噪声密度高达30%时仍能成功完成孔检测，且圆心坐标和半径的误差均小于0.012 mm；平均检测时间仅为0.236 s。该方法能够在复杂环境下对航空零件孔特征进行准确、稳定的检测。

为提高复合材料铺放质量，辅助现场人员快速对缺陷进行检测，提出一种基于Transformer的复合材料多源图像实时实例分割网络Trans-Yolact，用来对复合材料缺陷进行检测、分类、分割。在Yolact网络框架基础上，针对复合材料缺陷特点，从空间域与通道域两个维度，增强网络对复合材料缺陷的检测能力。在空间域上，常规卷积核具有空间尺度的局限性，对狭长形、大尺寸缺陷的检测效果不佳。因此，采用CNN+Transformer架构的BoTNet作为基础主干网络；同时将Transformer引入Yolact网络的FPN结构中，增强网络从非局部空间中获取信息的能力。在通道域上，采用红外与可见光联立的检测方式，并改进主干网络浅层结构，将其分为可见光通道、红外通道、混合通道，混合通道中引入通道域注意力机制，进一步增强网络对红外与可见光图像的综合判断能力。实验结果表明：改进后Trans-Yolact对复合材料缺陷mAP为88.0%，较基准Yolact网络提高5.5%，缺丝、扭转等狭长形缺陷AP提高15.2%、5.1%，包含部分大尺寸缺陷的异物类缺陷AP提高9.1%。最终对Trans-Yolact网络进行结构化剪枝，剪枝后较基准Yolact网络减少26.5%的计算量(FLOPs)、减少44.7%的参数量；检测帧数提高58%，达到57.67 fps。并在大型龙门复合材料自动铺放设备上进行在线测试，可以满足生产过程最大铺放速度1.2 m/s下，复合材料缺陷的实时检测分割。

近红外光学跟踪系统以其高精度、便捷的特点迅速发展成为手术导航中的重要组成部分。基于双目视觉设计了一套高精度、低成本的光学跟踪系统，该系统使用安装在器械上的被动标记球（NDI Passive Sphere）作为标记，并在双目相机镜头前添加近红外滤光片，以消除环境光的干扰。首先，采用轮廓过滤算法，用于标记轮廓的提取，使用最小二乘椭圆拟合算法获取标记投影中心的像素坐标；其次，设计了器械识别算法，使每个器械可以单独有序储存标记球的中心像素坐标，用于多个器械的分辨；最后，通过左右视图对应标记中心匹配，重建其空间坐标，进而推导出器械尖端在世界坐标系中的坐标。实验使用该系统跟踪器械，利用器械的无规则摆放实验验证了器械识别算法的准确性和鲁棒性，准确率达95%，平均识别时间仅需4 ms。并对系统进行了稳定性、静态定位精度、动态跟踪等测试。结果表明：稳定性误差可达0.13 mm，静态定位精度可达0.373 mm，所提出的近红外光学跟踪系统具有较高的精度和稳定性，可以满足手术导航的要求。

针对利用可见光图像检测AFP铺层表面缺陷受光源条件差、预浸纱纹理对比度低等因素影响，检测结果不理想，提出一种基于改进CenterNet的AFP铺层表面红外图像缺陷检测方法，提高AFP铺层表面缺陷检测性能。首先，针对CenterNet模型参数数量过多而工控机硬件配置有限的问题，提出利用基于ASFF的轻量级MobileNetV3作为骨干网络，构建轻量级anchor-free检测模型AFP-CenterNet，减少网络参数数量的同时降低计算机存储资源占用率。然后，针对高斯核函数带宽参数的求解，提出一种根据ground-truth bounding box长宽比自适应调整带宽参数的方法，减小负样本数量，降低网络模型的损失误差。实验结果表明，改进后的AFP-CenterNet在AFP红外数据集上的AP为90.2%，模型内存容量为12.9 MB，使用GPU加速时单张检测时间为52 ms。和原有的CenterNet骨干网络相比，AFP-CenterNet检测精度略差于DLA-34，和ResNet-101相当，比ResNet-18高7.7%，内存占用率和DLA-34、ResNet-101、ResNet-18相比分别降低83.2%、93.6%和78.6%。和SSD、YOLOv3相比，AFP-CenterNet模型的AP分别提升9.6%和8.3%，内存占用量降低85.1%和94.5%。在不使用GPU加速的条件下，改进后的AFP-CenterNet的检测速度和CenterNet、SSD、YOLOv3相比提高近一倍，具有明显的检测优势。