提出一种结合跨尺度特征融合与瓶颈注意力模块的轻量型单帧红外小目标检测网络。该网络在不引入额外神经元的前提下，直接在编码层和解码层之间进行高频多尺度特征交互，从而维持小目标在网络深层的响应幅值，实现小目标浅层空间结构特征与深层高级语义特征之间的交互融合。同时，该网络在编码器瓶颈处级联轻量型混合注意力模块，进一步增强目标特征在网络深层的响应幅值。实验结果表明，该网络能有效抑制复杂背景杂波，并以较低参数量实现红外小目标检测。

针对相机抖动、拍摄物体快速运动以及低快门速度等因素造成的图像非均匀模糊，提出一种结合多尺度特征融合和多输入多输出编-解码器的去模糊算法。首先使用多尺度特征提取模块来提取较小尺度模糊图像的初始特征，该模块使用扩张卷积来以较少的参数量获得更大的感受野。其次，通过特征注意力模块来自适应地学习不同尺度特征中的有效信息，该模块利用小尺度图像的特征来生成注意图，能够有效地减少冗余特征。最后，使用多尺度特征渐进融合模块逐步融合不同尺度的特征，使得不同尺度特征信息能够进行互补。相比以往的使用多个子网堆叠的多尺度方法，文中使用单个网络就能提取多尺度特征，从而降低了训练难度。为了评估网络的去模糊效果和泛化性能，提出的算法在基准数据集GoPro、HIDE和真实数据集RealBlur上均进行了测试。在GoPro和HIDE数据集上的峰值信噪比值分别为31.73 dB和29.39 dB，结构相似度值分别为0.951和0.923，其结果均高于目前先进的去模糊算法，并且在真实数据集RealBlur上也取得了最佳效果。实验结果表明，提出的去模糊算法相比现有算法去模糊更为彻底，能有效地复原图像的边缘轮廓和纹理细节信息，并且能够提升后续高级计算机视觉任务的鲁棒性。

由于点目标可用信息少，点目标检测技术是红外搜索与跟踪系统（IRST）中的挑战性难点。基于人工提取特征的传统目标检测，智能化水平低，对点目标检测的难度大。针对此问题，提出一种新的基于深度时空卷积神经网络的点目标检测方法。该方法采用全卷积架构，输入输出尺度相同，可用于处理任意尺度图像。为了提高实时性，卷积分解技术被引入3D时空卷积处理中，将复杂3D时空卷积分解为低复杂度的2D空域卷积和1D时域卷积。根据点目标特点，多权值损失函数被提出，分别采用样本均衡因子和能量均衡因子降低样本不均衡和误差分布不均衡对点目标检测性能的影响。测试结果表明，该方法能够有效抑制复杂背景杂波，并以较低计算量实现点目标检测。

In this work, non-isothermal bleaching of Yb–Li co-doped fiber was investigated. The Yb–Li co-doped fiber was beneficial to reduce the photodarkening-induced excess loss and had no bad effect on the temperature of thermal bleaching (TB). Photodarkened fibers were bleached with different temperature ramp rates. The higher the ramp rate, the higher the complete bleaching temperature. The activation energy of the bleaching of Yb/Al/Li fiber was calculated by fitting, which was similar to that of an Yb-doped fiber. These observations are helpful in revealing the relationship between the mechanism of Li ion co-doping and TB.