为解决在红外与可见光图像融合领域中，卷积神经网络（CNN）无法建模源图像内部的全局语义相关性，对图像上下文信息利用不充分等问题，创新性地提出了一种联合CNN和转换器（Transformer）的图像融合模型。首先，为了弥补CNN无法建立长程依赖关系的缺陷，提出了联合CNN和Transformer的编码器，加强了对多个局部区域间相关性的特征提取，提高了模型对图像局部细节信息的提取能力。其次，提出了一种基于模态最大差异度的融合策略，强化融合过程中对源图像不同区域信息的自适应表达，提高了融合图像的对比度。最后，在TNO公开数据集上，联合多种对比算法对所提融合模型进行了实验验证。实验结果表明，在主观视觉效果和客观评价指标两方面的评估上，所提模型与现有融合方法相比都具有明显优势。此外，通过消融实验，分别对提出的联合编码器和融合策略进行了有效性分析，实验结果证明所提出的设计思想在红外可见光图像融合任务上是有效的。

为了实现指针式仪表的机器人自动巡检、读数工作,针对传统方法对指针式仪表起始刻度线、终止刻度线位置提取不够准确,读数不够精准等问题,提出了一种新型仪表读数算法,解决了表盘起始、终止刻度线需要提前预设、传统的Hough直线识别算法偏离指针中心线的难点问题,明显提高了系统读数的准确性;针对现有方法不能判断读表结果可靠度的问题,搭建了基于一致显著性的仪表读数可靠度估计模型,采用聚类思想实现了仪表特征一致显著性关联约束检测,可对仪表读数的可靠度进行估计。实验结果表明:所提出的仪表读数算法准确性更高,所创建的估计模型对读数可靠度的判断稳定可信。