针对现有目标检测算法未考虑无人机群成员之间相互关系，容易出现漏检、误检群成员和未能感知无人机群队形结构特性的问题，提出了一种基于红外探测的无人机群结构特性感知方法。首先，为减少图像中无人机外观特征损失，设计了空间深度-通道注意力模块，该模块结合空间深度转换模块保留判别特征信息的优点和通道注意力关注通道间相关性的特点，提高了检测网络的特征提取能力；其次，为充分利用图像中无人机群成员的位置、边界框大小等结构信息，提出了群成员关系模块，将无人机的结构信息融入到无人机群成员之间的关联信息，提高了检测网络对无人机群成员的检测定位能力。最后，在自建的Drone-swarms Dataset数据集上开展实验验证。实验结果表明：文中提出的无人机群结构特性感知算法的mAP达到了95.9%，较原始YOLOv5算法的mAP提高了约7%，有效提高了无人机群成员的检测精度；同时，检测速度达到59帧/s，实现了无人机群目标的实时检测，进而实现了无人机群队形结构特性的感知。

目前红外时敏目标检测技术在无人巡航、精确打击、战场侦察等领域应用广泛，但有些高价值目标图像的获取难度高且成本昂贵。针对红外时敏目标图像数据匮乏、缺少用于训练的多场景多目标数据、检测效果不佳等问题，文中提出一种基于跨模态数据增强的红外时敏目标检测技术，跨模态数据增强方法为两阶段模型。首先在第一阶段通过基于CUT网络的模态转换模型将包含时敏目标的可见光图像转换为红外图像，其次在第二阶段模型中引入coordinate attention注意力机制，随机生成大量红外目标图像，实现了数据增强效果。最后提出一种基于SE模块和CBAM模块改进的Yolov5目标检测架构，实验结果表明，文中提出的Yolov5（CSP-A）目标检测技术与原网络相比，准确率提升了7.36%，召回率提升了5.43%，平均精度提升了2.74%。有效提高了红外时敏目标的检测精度，实现了红外时敏目标精确检测。

近年来基于视觉的飞行器自主视觉定位技术发展迅速，是飞行器导航制导、态势感知和自主决策的关键技术之一。针对现有跨模态地理定位任务中存在模态差异大、匹配难度大、定位鲁棒性差等问题，提出了一种基于GCI-CycleGAN风格迁移的跨模态地理定位方法，通过将风格迁移算法、特征匹配算法和地理定位方法相结合，实现了飞行器跨模态地理定位。首先，获取无人机航拍的正下视实时红外图像和地理位置信息已知的可见光图像；其次，基于生成对抗网络图像风格转换的思想，设计新的生成对抗损失函数，构建并训练了GCI-CycleGAN模型，将可见光图像转换为红外图像；然后，利用SIFT、SURF、ORB、LoFTR、DFM匹配算法对生成的红外图像与实时红外图像进行匹配；最后，通过透视变换获得实时红外图像中心点在生成图像中的位置，再将该定位点映射到相应的可见光图像上，得到最终的地理定位结果。实验表明，GCI-CycleGAN相比CycleGAN网络可以有效提高图像风格迁移质量，与DFM智能匹配算法结合的匹配成功率最高可达99.48%，比原始跨模态匹配结果提高了4.73%，平均地理定位误差仅为1.37 pixel，取得了更加精确、鲁棒的地理定位结果。

红外弱小移动目标检测技术是计算机视觉的研究热点和难点。针对机载高动态条件下的空地目标检测存在的场景变化动态、背景干扰强度大、目标运动规律未知等挑战，提出了一种新型的基于增量惯导信息辅助的空地红外弱小移动目标检测算法。为了解决传统惯导信息预测的漂移误差问题，提出了增量惯导信息概念，设计了增量惯导信息的位置预测模型，实现了对目标点的准确预测。构建了基于增量惯导信息辅助与背景差分的移动目标检测框架，通过增量惯导信息对不同位姿下的成像进行校正，引入基于爬山法互相关匹配算法计算校正后图像的平移参数，采用高斯加权对背景图像进行估计，最后通过图像分割检测弱小移动目标。仿真实验验证了文中设计检测算法的有效性和精确性。

针对红外目标的特点，提出了一种anchor-free轻量级红外目标检测方法，提高了嵌入式平台对红外目标的检测能力。针对计算资源有限的平台，提出了一种新的轻量级卷积结构，引入非对称卷积增强标准卷积的特征表达能力，同时有效减少参数和计算量。设计并行多路特征通道，经过通道拼接生成丰富的特征，结合注意力模块和Channel Shuffle构建轻量级特征提取单元。增加SkipBranch促进浅层信息向高层传递，进一步丰富高层特征。在FLIR数据集进行实验验证，设计的轻量级网络结构精度为81.7% ，超过了 YOLOv4-tiny，但模型参数量减少了75.0%、计算量下降了71.1%，并且推理时间压缩了91.3%，能够满足嵌入式平台红外目标的实时检测需求。

针对红外舰船目标图像数据少、获取难度高等问题，结合图像的几何变化以及金字塔生成对抗网络的特征拟合，提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先，利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强；然后，根据红外舰船图像特点，改进金字塔生成对抗网络（SinGAN），在生成器引入In-SE通道间注意力机制模块，增强小感受野特征表达，使其更适合用于红外舰船目标；最后，在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法，完成对原始数据集的数据增强。结果表明：以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型，开展红外舰船图像数据增强仿真实验，采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右，验证了所提方法在小样本红外舰船图像数据增强方面的可行性，为提高红外舰船目标检测算法提供了数据基础。