近年来，红外成像系统在工业、安防、遥感等领域获得了广泛的应用，但由于制造工艺及成本制约，红外系统的分辨率仍然较低。基于深度神经网络的单帧图像超分辨率重建技术是提高红外图像分辨率的有效方法，获得了广泛研究，并在仿真图像上取得了显著进展，但应用于实际场景图像时容易出现伪影或图像模糊等现象。造成这种性能差异的主要原因是目前方法大多假定造成图像退化的模糊核是空间一致的，然而实际红外光学系统不可避免地存在像差、热离焦等，由此造成的图像模糊的模糊核并非空间一致的。针对这一问题，提出了一种非盲模糊核估计方法，通过采集特定的靶标图像，并设计模糊核估计网络，求解空间非一致模糊核；设计基于图像分块的超分辨率重建方法，将图像块和对应区域的模糊核一起输入非盲超分辨率重建网络进行子块图像重建，再通过子块合并和重叠区域图像融合，得到最终的高分辨率图像。实验结果表明，光学系统自身引起了模糊核随空间位置缓慢变化，在实验室条件下标定模糊核并基于图像分块进行超分辨率重建的方法可显著提高红外图像超分辨率重建的效果。

偏振成像是一种新的光电探测体制，它可以获得比传统成像多一维的场景信息，在工业检测、生物医学、地球遥感、现代**、航空以及海洋等领域具有重要的应用价值。论文对偏振成像的典型应用、发展历程和发展现状进行了分析和总结，总结了偏振成像的实现方法，当前学术界在场景的偏振特性、偏振的传输特性、偏振成像探测器、分焦平面偏振图像非均匀性校正、分焦平面偏振图像超分辨率重建以及偏振图像融合等领域的最新研究成果。在此基础上，对偏振成像的未来发展方向进行了展望，包括高消光比焦平面偏振探测器、分焦平面多光谱偏振探测器、高精度非均匀性校正方法、偏振图超分辨率重建方法以及强度图和偏振度/偏振角图融合方法等。

基于可变形模型的目标跟踪算法因其能够处理目标部分遮挡及形变问题成为目标跟踪领域的研究热点。当目标发生形变或部分遮挡时，可变形模型跟踪器可利用未被遮挡的子块继续完成跟踪。现有基于子块的目标跟踪算法均为手动选取子块的个数和尺寸，但在实际应用中，很难为子块的选取提供人机交互的机会，且手动选取子块易受主观因素影响。针对上述情况，提出了一种采用多特征融合的子块自动提取方法，该方法首先采用基于人眼视觉注意机制对目标模板的显著性区域进行度量；其次，利用边缘方向离散度对目标的纹理丰富度进行度量；然后，融合上述特征获得联合适配性置信度，并根据目标的面积和宽高比自适应确定子块的个数和尺寸；最后，根据联合适配性置信度提取目标子块。实验结果表明，与现有手动选取子块的可变形模型目标跟踪方法相比，采用所提方法自动提取的子块可获得更高的跟踪精度。

为解决在模板匹配过程中，目标图像发生局部遮挡、背景变化、光照变化以及剧烈非刚性形变等情况而出现的匹配失败问题，本文提出了一种基于多特征融合的共生矩阵模板匹配算法。首先，采用多特征融合的方法提取图像信息。分别提取图像的颜色特征、深度特征、方向梯度直方图（HOG）特征，通过主成分分析（PCA）与K均值聚类的方法实现多通道多特征融合；随后，以共生矩阵作为相似性度量方法，通过统计相似性特征信息来代替直接施加距离计算；最后，计算滑动窗口中每一组像素点对的共生概率，并加权求和作为匹配得分，由此在目标图像上寻找最佳匹配区域。通过实验对比，本文算法的AUC （Area Under Curve） 得分为0.658 6，较目前最好的几种模板匹配算法DDIS-D、DDIS-C、BBS算法分别提高了：7.9%，8.1%，20.2%。采用特征融合的方法能够充分利用图像信息，有效提高匹配的准确率；共生矩阵可以捕获图像的纹理相似性，且这种度量方法仅与共生统计有关，与实际像素无关，能够在一定程度上克服复杂场景对匹配结果带来的影响。实验结果表明本文的方法匹配精度更高、鲁棒性更强。

红外弱小目标检测被广泛应用于预警、制导等**领域中。然而，红外弱小目标所占像素少、缺少形状特征和纹理特征，使得红外弱小目标检测成为一个具有挑战性的课题。针对红外弱小目标检测，提出了一种简单高效的实时红外弱小目标检测网络。检测网络利用自适应感受野融合模块来增加小目标周围的上下文信息，并通过引入空间注意力机制来建立不同区域之间的相关性模型，使不同区域之间的相关性和紧凑性得到加强。为了提高检测网络对目标的定位和正负样本的判别能力，分别利用GIOU loss和Focal loss来设计损失函数。在3个红外弱小目标序列和单帧红外图像上进行实验，检测网络分别取得了91.62%，71.54%，81.77%和90.67%的AP值，且检测速度接近165 FPS。实验结果表明，该红外弱小目标检测网络对复杂背景和低信噪比条件下的红外弱小目标具有较好的检测效果。

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。