针对手写字体特征提取难、识别效率低甚至错误的问题，提出一种结合鬼成像原理和分类网络的思想用于手写字体的识别。首先，使用激光器、数字微镜阵列、单像素探测器等搭建鬼成像探测系统，利用系列哈达玛散斑场分别实现对17 239幅手写字体的照射；其次，利用单像素探测器对手写字体透射的总光强值进行采集，并将其转换为一维向量作为网络训练的输入；最后基于卷积神经网络在图像分类的优势搭建网络架构且为解决训练过程中的网络退化问题加入残差块。实验结果表明：对于手写数字来说，全连接神经网络与卷积神经网络的精密度、召回率、F1值分别提高86.50%/97.25%、86.40%/98.03%、86.31%/97.60%；对于手写字母来说，卷积神经网络在全采样下的精密度、召回率、F1值分别为91.87%、90%、90.23%。该方法利用鬼成像原理，仅通过手写字体透射的总光强值而无需对手写字体的特征进行提取与识别便可进行快速分类，大幅提升了手写字体的识别效率。

为了解决生成对抗融合方法获得的融合图像不能同时保留红外图像典型目标和可见光图像纹理细节的问题，提出一种红外与可见光图像交互注意力生成对抗融合方法。首先，在生成网络模型中采用权重参数共享的双路编码器架构，利用多尺度聚合卷积模块提取源图像各自的深度特征；其次，在融合层设计上，利用交互注意力融合模型建立两类图像局部特征的全局依赖特性，获得的注意力图更聚焦于红外典型目标和可见光纹理细节，实现红外与可见光图像端到端融合。最后，在对抗网络模型中，采用双鉴别器均衡判定融合图像与源图像间的真假性，相互补偿的损失函数优化生成网络模型获得最佳的融合结果。与现有典型融合方法的对比实验结果表明，该方法能够获得更平衡的融合结果，在主观视觉描述和客观指标评价上都优于其他方法。

针对双模态红外图像在融合时异类差异特征两两合成出现信息冗余导致所选择的融合算法相互冲突，造成融合效果差甚至失效的问题，提出了一种基于可能性信息质量合成的双模态红外图像融合算法选取方法。首先计算双模态红外图像多融合算法下不同差异特征的融合有效度，利用可能性框架得到对应的可能性分布向量子集；其次计算向量子集的信息量和可信度，并对多个向量子集进行加权合成；然后构建基于信息质量的排序函数，得到每种融合算法下的非支配子集；最后构建多融合算法得分函数的联合分布对多种融合算法优化选择。实验结果表明，将基于质量来整合多个差异特征的方法运用于双模态红外图像融合算法选取中，所选出的融合算法在加权综合指标上高于其他算法均值55%以上，证明了本文方法的有效性和合理性；由多组实验算得本文方法平均耗时10.083 s，在时间效率上也符合实时图像融合应用的工程需求。

针对双模态红外图像实际融合需求中常涉及到异类差异特征协同优化融合，且现有差异特征属性无法针对性地调整融合算法进行有效驱动，导致融合效果差等问题，提出了基于可能性分布联合落影的双模态红外图像融合算法选取的方法。首先计算双模态红外图像差异特征幅值的融合有效度，利用K最近邻法得到差异特征幅值的概率密度分布，得到差异特征频次属性的分布；然后通过差异特征幅值属性与频次属性构造差异特征权重函数，建立异类差异特征权重函数与多融合算法间的可能性分布合成，得到异类差异特征权重函数多融合算法融合有效度的联合落影；最后构建融合性能指标动态选取最优融合算法。实验结果表明，本文方法所选出的最优融合算法在等级得分指标上明显优于其他算法，验证了本文将可能性分布联合落影运用于双模态红外图像最优融合算法选取中具有可行性。

利用多个散斑图组合的方式提出了一种新的鬼成像优化方法.利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序，使相邻散斑图间差异性减小；通过对相邻散斑图间的叠加以及对应桶探测器值的调制，有效降低待关联数据间冗余和数量，并利用不同的关联运算规则实现对目标物体的重构.数值仿真结果表明，对于目标图像，在总采样次数4 000次、4个相邻散斑图组合方式下，所提方法与未组合-调制下传统鬼成像、差分鬼成像和正负调制鬼成像相比，其峰值信噪比/对比度分别提升了21.7%/27.3%、8.3%/17.8%和14.7%/25.7%；通过对20幅目标图像的数值模拟与结果分析，发现峰值信噪比/对比度提升率在15%和30%以上的占比分别为90%/85%和50%/55%，说明该方法具有较好的普适性和推广价值.

为了同时保证融合质量和效率，提出了一种基于多尺度高斯滤波和形态学变换的图像融合方法。设计了多尺度高斯滤波，将源图像分解为一系列细节图像和近似图像，并使用多尺度顶帽和底帽分解来完全提取近似图像中不同尺度的明暗细节。构造了多尺度形态学内外边缘分解，以充分提取细节图像的边缘信息。实验结果表明，该方法与典型的基于多尺度分解的融合方法相当甚至更好，同时比一些先进的基于多尺度分解的方法（如NSCT和NSST）运算速度快得多。