现有的反射面电磁成像系统体积庞大，无法满足机载、车载、无人机等应用平台要求。针对此类问题，研究了龙伯透镜的结构特性和成像特性，设计了大视场龙伯透镜电磁成像系统，利用空不变成像特性进行超分辨图像处理，实现了快速、大视场、宽频带、高分辨电磁辐射源分布成像。计算了口径300 mm带球核分层龙伯透镜参数，仿真了4～18 GHz龙伯透镜焦弧面场强分布，验证了龙伯透镜空不变的成像特性及其超分辨算法的有效性。实验对比了抛物反射面电磁成像系统和本文龙伯透镜电磁成像系统的体积、成像范围、源数目和分辨率，结果证明了本文系统的优越性，同样分辨率下，达到了方位角及俯仰角均为40°的大视场范围。

针对多模态医学图像融合中存在纹理细节模糊和对比度低的问题，提出了一种结构功能交叉神经网络的多模态医学图像融合方法。首先，根据医学图像的结构信息和功能信息设计了结构功能交叉神经网络模型，不仅有效地提取解剖学和功能学医学图像的结构信息和功能信息，而且能够实现这两种信息之间的交互，从而很好地提取医学图像的纹理细节信息。其次，利用交叉网络通道和空间特征变化构造了一种新的注意力机制，通过不断调整结构信息和功能信息权重来融合图像，提高了融合图像的对比度和轮廓信息。最后，设计了一个从融合图像到源图像的分解过程，由于分解图像的质量直接取决于融合结果，因此分解过程可以使融合图像包含更多的细节信息。通过与近年来提出的7种高水平方法相比，本文方法的AG，EN，SF，MI，Q^AB/F和CC客观评价指标分别平均提高了22.87%，19.64%，23.02%，12.70%，6.79%，30.35%，说明本文方法能够获得纹理细节更清晰、对比度更好的融合结果，在主观视觉和客观指标上都优于其他对比算法。

针对雾霾天气下获取的图像细节丢失、颜色偏移、视觉质量退化等问题，提出一种基于对数-S型函数分段估计的大气光幕估计快速去雾算法。首先，在大气散射模型上深入推导，得到了大气光幕与有雾图像最小通道的正相关关系；然后，根据有雾图像不同区域具有不同的雾浓度，构造了分区域约束模型用以估计有雾图像的大气光幕；最后，提出基于中值滤波优化的中通道局部大气光估计方法，并结合大气散射模型恢复无雾图像。实验结果表明：所提算法复原图像的新增可见边、平均梯度，信息熵分别提升了17.4%、50.5%、30%，运行时间比传统快速去雾算法降低了17.5%。本文算法具有去雾彻底、颜色自然、细节明显的优点。

由于雾霾天气下空气中介质粒子的影响，成像设备所捕获的图像通常会存在对比度低、色彩丢失等问题。针对这些问题，本文提出一种基于雾气分布的大气光幕估计去雾算法。首先，将Fade方法提取的初始雾气分布图像进行阈值分割与细化处理得到较为准确的雾气分布信息。其次，通过分析景深、雾浓度、大气光幕之间的关系建立大气光幕估计模型。最后，通过亮度权重图与自适应大气光阈值选取大气光区域，获取较为准确的大气光，进而恢复退化场景。实验与结果表明，本文算法恢复的图像清晰自然，去雾效果彻底，并且能够保留图像中的细节信息。

针对卷积神经网络类图像去雾方法存在的细节丢失、颜色失真、去雾不彻底等问题，提出一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块，其中特征提取包括有雾图像细节和轮廓特征的提取，由阶梯网络的不同阶梯层提取实现；特征融合模块以注意力机制的交叉融合实现，并结合自适应残差处理获得最终的融合特征；最后在图像重建模块，通过非线性映射的方式获得去雾图像。实验结果表明，所提方法去雾彻底，去雾图像细节丰富，有效地解决了颜色失真和细节丢失问题，同时阶梯网络在很大程度上克服了深度网络的训练耗时问题。

铌酸锂晶体材料具有较高的电光系数和稳定的物理、化学性质，广泛应用在各种电场传感器中。但是，铌酸锂晶体折射率对温度较为敏感，在使用最大电光效应方向时，由于自然双折射的存在，晶体工作点随温度漂移，一方面导致传感器无法稳定工作，另一方面也影响了传感器的灵敏度和动态范围。为了消除这一影响，探头中将使用长度相等、主轴正交的两块铌酸锂晶体，一块作为传感晶体，一块作为补偿晶体。由于补偿晶体的存在，传感器的自然双折射得到很大程度的抑制，温度稳定性也得到了改善。经实验对比，补偿之后的传感器工作状态稳定性比未补偿的传感器得到大幅提升。

针对去雾领域中传统方法受手动设置特征的限制，以及现有网络去雾不彻底和细节保持不佳等问题，提出一种分离特征和协同网络下的端到端图像去雾模型。首先对传统的大气散射模型进行变形，分离出乘性特征和加性特征。其次，根据两个特征对最终去雾结果的影响程度，设计基于乘性特征和加性特征提取框架并行驱动的去雾网络。其中，乘性特征提取网络充分考虑了不同深度的空间信息及细节特征，通过各层之间密集级联达到特征重用和信息补偿的目的，以获取精密丰富的目标特征。另外，利用残差跨连结构搭建加性特征提取网络，用于训练偏置加性特征。最后，将分离特征代入复原模型得到无雾图像。实验表明：所提网络去雾效果显著，复原图像颜色自然，细节保持良好且各项指标占优。