由于复杂度较高的跟踪算法多数采用国外芯片实现，基于国产FPGA的跟踪方法得到了研究。针对易于FPGA设计的模板匹配算法鲁棒性不足的问题，基于绝对差和(SAD)相似性度量方法，提出了求窗口内最小绝对差和(SMAD)的方法。利用最大值和最小值滤波预先处理窗口内图像数据，再求最小绝对差，将SMAD算法的加减法器资源消耗降低为原来的31.8%。提出的类金字塔的方法在节省逻辑资源的同时，提高了对目标尺度变化的适应性。OTB数据集的实验表明：提出的方法与鲁棒性较高的DDIS算法相比，跟踪成功率和平均重叠率分别提高了1.18%、0.13%，又有易于流水线设计的优势。利用国产FPGA实现了帧率可达100 fps的实验系统并验证其跟踪性能，为在国产FPGA上实现高帧率目标跟踪系统提供了解决方案。

为构建适用于长时跟踪的重检测模块，受改进二阶段检测网络的GlobalTrack方法的启发，提出了一种高效的对特定模板目标进行端到端重检测的深度网络：首先，为了在大尺度图像上更高效地融合模板特征，通过构造交叉信息增强模块改进深度互相关方法，利用交叉通道注意力信息编码搜索特征和模板特征；此外，采用动态实例交互模块替代传统二阶段网络的RPN（region proposal network）和RCNN(region-based convolutional neural networks)结构，根据模板信息指导检测网络的分类和回归阶段，构建了端到端的稀疏重检测结构。在LaSOT和OxUva长时跟踪数据集上进行对比实验，本文方法相较于原始方法性能提升3%，实时帧率提升173%。实验结果表明，改进后的方法可以在全图范围内更准确、快速地重新检测模板目标。

针对微小型无人机在飞行作业任务中的主动避障需求，提出一种用于微小型无人机避障的、基于单目视觉与主动激光点阵投射的障碍探测方法。使用单目相机采集投射的激光点阵图案，经过图像分割、聚类、质心提取等处理过程，通过像面激光线方程约束快速排除特征一致激光点的歧义，使用激光点探测出无人机前方空间中障碍的方位信息。实验验证装置在基线距离为65 mm，工作距离为7 m的条件下，障碍探测的相对误差在1.5%以内。该方法精度高、时间复杂度低，可满足低算力的微小型无人机对障碍探测方法的需求，为进一步避障策略的生成提供数据支撑。

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题，文中提出了一种基于边缘信息引导多级尺度特征融合网络（EGMFNet）。EGMFNet使用多通道融合残差块（RCFBlock）以嵌套的U型网络架构作为主干模型。同时，在网络的较低层级引入具有边缘信息引导的全局空间注意力模块（EGSAM）以增强空间特征及边缘特征。此外，在损失函数中引入了图像边界损失，用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验，实验结果表明，文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%，验证了EGMFNet网络模型的有效性。

在图像采集过程中，由于拍摄对象运动或相机自身运动造成的图像模糊对于后续的高级视觉任务会产生很不利的影响。针对当前深度学习图像去模糊方法不能兼顾去模糊效果和效率的问题，提出了一种多尺度循环注意力网络，使用深度可分离卷积降低参数量，改进注意力模块合理分配计算资源，对卷积层进行密集型连接提高参数利用效率，引入边缘损失提升生成图像边缘细节信息。经过实验验证，所提方法具有良好的泛化性能和鲁棒性，在Lai数据集和Köhler数据集上的SSIM和PSNR较近年典型方法的最佳效果分别提升了约1.15%、0.86%和0.91%、1.04%，在GoPro数据集上的平均单帧运行速度较同类方法提升约2.5倍。