针对实测红外图像数据集构建难度大、测试制作成本高的问题，本文提出了一种非成对训练样本条件下的生成对抗网络VTIGAN，实现不同场景下可见光到红外（Visible-to-Infrared，VTI）的高质量图像转换。VTIGAN在transformer模块基础引入了一个新的生成器学习图像内容映射关系，通过重组目标风格特性实现图像风格转换，同时使用PathGAN作为判别器强化模型的图像细节信息生成能力，最后联合对抗损失、多层对比损失、风格相似性损失、同一性损失四种损失函数对模型训练过程进行约束。将VTIGAN与其他主流算法在可见光-红外数据集上进行了广泛的对比实验，同时使用峰值信噪比、结构相似度和Frechét inception distance 3个评价指标进行定量评估和主观定性评价。实验结果表明，VTIGAN相比于次优的UGATIT算法在PSNR，SSIM和FID三个指标上分别提升了3.1%，2.8%和11.3%，有效实现了非成对训练样本条件下可见光到红外的图像转换，且对于复杂场景的抗干扰能力更强，生成的红外图像清晰度高、细节特征完整、真实感强。

根据非通视方位传递系统对保偏光纤双折射的设计要求，重点分析了不同类型保偏光纤参数对双折射的影响。首先，从光纤应力应变、变分原理和应力光弹效应出发，推导建立保偏光纤应力光学耦合关系；然后，借助有限元分析软件研究了不同因素对保偏光纤双折射值的影响，并对两种保偏光纤（熊猫型保偏光纤和领结型保偏光纤）进行了对比分析。结果表明：在纤芯中心附近，减小纤芯与应力区的距离、增大应力区半径大小、固定纤芯尺寸时增大包层半径、提高保偏光纤参考温度等措施都能明显提高双折射值。同等条件下领结型保偏光纤产生的双折射值更大。研究成果能够为非通视方位传递系统中保偏光纤的设计选型提供一定的参考。

地面背景下的红外目标检测是伪装防护、精确制导等领域的关键技术。针对现有基于深度学习的目标检测模型对地面背景下红外目标进行检测时容易受到复杂背景干扰、对目标关注不足，从而导致检测准确率不高的问题，文中提出了一种基于并行注意力机制的地面红外目标检测方法。首先，利用卷积和注意力并行的下采样方式，在降低模型的空间复杂度和提升训练速度的同时，对目标特征进行聚焦和关注；其次，对主干网络提取的多尺度特征进行融合，通过不同尺度信息的复用与互补抑制背景信息的干扰，提升目标检测的准确率；最后，利用焦点损失函数和CIOU损失函数提高模型的分类与回归精度。实验结果表明，在Infrared-VOC数据集上该模型的平均检测精度为82.2%，比YOLOv3提高了6.9%，同时模型的空间复杂度仅为YOLOv3的32.6%，训练时间为YOLOv3的43.7%，实现了模型训练效率和检测精度的提升。

针对复杂背景下红外弱小目标难以准确快速检测的问题，提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先，为提高检测速度，重新设计了特征提取部分的网络结构，并在输入层后使用Focus模块以减少推理时间；其次，为增强检测能力，特征融合部分采用路径聚合网络，添加了改进的感受野增强模块；最后，目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明，相较于经典轻量化模型YOLOv3-tiny，文中提出的模型召回率提升了7.57%，平均检测精度提高了1.92%，CPU推理速度提升了36.1%，可较好地兼顾精度和速度，计算量与参数量明显减少，模型尺寸压缩至7.27 MB，减少了对硬件平台运算能力的依赖，实现了红外弱小目标准确又快速的检测。