无人装备一般数量众多、执行任务时间长、环境恶劣, 因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低, 为解决此问题, 提出基于Kalman融合模型的RUL预测方法。首先, 采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段; 其次, 利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测, 每种模型可以捕捉综合性能指标的不同特征; 最后, 通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示, Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度, 与ELM, SVR和GM(1,1)单一模型相比, 拟合精度分别提高了16.96%, 1.61%和39.84%, 预测精度分别提高了45.06%, 38.35%和74.12%。

在基于局部不变特征的SAR景像匹配制导中, 局部不变特征点的匹配实时性具有十分重要的工程意义。提出了一种基于两层策略的特征点匹配方法。首先根据特征点响应的阈值对实时图和参考图分别提取一级特征点和二级特征点, 然后依据二级特征点到一级特征点的距离使二级特征点隶属于距离最近的一级特征点, 由此达到对二级特征点进行分组的目的。进一步, 通过对一级特征点进行方向梯度描述, 借助kd-tree最近邻方法(NN)匹配策略实现特征点初步配对, 并结合RANSAC算法验证剔除误匹配点。最后, 对隶属于提纯后一级特征点的二级特征点进行BRIEF描述, 分组对二级特征点进行匹配。仿真实验结果表明, 特征点匹配速度大幅提升。

在红外图像预处理过程中，为有效保护图像的显著边缘信息，提出了一种融合全局梯度L0范数和局部显著性的保边平滑算法。首先，对红外图像进行拉普拉斯变换，采用嵌套矩形框快速估计边缘局部显著性，并利用均值与方差设计权重函数；其次，依据权重调节逼近项中每个像素的重要性，约束全局梯度的L0范数，建立模型；最后通过交替方向乘子法对模型求解，平滑红外图像，保护显著的边缘信息。实验结果表明，与其他保边平滑算法相比，所提算法能在平滑图像的同时，有效保护显著边缘，为进一步应用提供了理论支持。

针对SAR图像特征点匹配问题，提出了一种基于Facet模型的特征点检测方法。首先基于Facet模型对局部区域做灰度曲面最佳拟合，然后计算拟合曲面中心点的二阶方向导数，取二阶方向导数极大值小于零的点作为潜在特征点，最后通过对极大值的绝对值归一化和局部非极大值抑制提取特征点。实验结果表明，该算法可有效检测特征点，算法的实时性优于传统的SIFT算法。

针对多飞行器协同末制导条件下单一基准图的适应性问题，提出一种有效的基准图适应性分析方法。建立了多飞行器协同末制导模型，重点研究了飞行末段飞行器探测夹角与初始位置的模型关系; 针对探测夹角模型，结合实际参数进行算例分析，并提出一种基准图的适应性分析方法; 模拟探测夹角对实时图施加几何畸变，采用归一化积相关算法进行大量匹配仿真实验，对提出的基准图适应性分析方法进行了有效的验证，为多飞行器实时图校正、基准图改造以及匹配算法适应性增强等研究提供理论依据。

为提高复杂环境下红外小目标的检测率, 提出了基于二阶方向导数极大值的红外小目标检测算法。该算法首先对二阶方向导数的性质进行了分析, 对极大值进行阈值翻转操作, 将背景中的平坦成分和边缘成分剔除。接着, 根据小面模型对背景进行预测, 并以预测误差为权值进一步增强小目标区域。以上2个步骤的计算可通过4个卷积实现, 加快了检测速度。最后, 对少量候选小目标计算局部对比度, 降低了虚警率。实验结果表明: 该检测算法在6种复杂背景下平均信杂比增益为78.413 0, 平均背景抑制因子为35.079 6, 具有较强的鲁棒性和较高的检测率。

提出了基于纹理粗糙度的红外图像显著性检测算法, 以解决红外图像对比度低, 目标显著性检测难的问题。首先, 研究了Tamura的粗糙度原理, 对粗糙度进行分析和评价, 提出了新的粗糙度计算方法。然后, 将图像分解为超级像素集合, 并计算超级像素的最大平均强度差; 利用最大平均强度差定义超级像素的最佳尺度, 作为纹理粗糙度的度量。最后, 将超级像素区域均匀外延, 利用粗糙度的局部对比度和灰度信息度量红外图像的显著性。通过实验验证了本文算法的有效性, 结果表明: 在10%的噪声水平下, 本文粗糙度保持不变,粗糙度特征图一致性较好, 而Tamura的粗糙度特征图中杂点明显增多。与其它显著性检测算法对比, 本文算法击中率最高, 为0.752。该算法挖掘了红外图像的纹理粗糙度特征, 为红外图像显著性检测提供了新的特征选择。

导航星表构建是星敏感器设计阶段的重要工作。对于小视场，受限于恒星分布规律，易出现导航星表“空洞”问题。为解决小视场条件下均匀完备导航星表构建问题，对基于球面螺旋基准点的导航星表构建方法进行了改进：摒弃了原方法通过改变球面螺旋基准点数量和位置重新构建导航星表的思路，转而通过增选部分恒星来达到减少星表“空洞”的目的。设立了描述恒星消除星表“空洞”能力的权值，并以该权值递减顺序开展恒星增选；同时，设计了增选恒星距离阈值条件以保持增选后导航星表的均匀性。仿真表明，在4°圆形视场条件下，相对于原方法，文中方法得到的导航星表，总星数减少708颗，均匀性指标提高约44%，而星表“空洞”变化较小，显示了较好的性能。

为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中，易造成误匹配，并且维数较高、匹配耗时的问题，提出了一种融合相对几何位置的压缩感知描述子。首先，以特征点为中心，将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子，其次，对SIFT描述子利用压缩感知(CS)理论进行降维，形成CS-SIFT描述子，最后将两者融合形成RGL-CS-SIFT描述子。实验结果表明：与SIFT和PCA-SIFT描述子相比，匹配速度有所提升，匹配准确率明显提高。

前视红外目标识别是精确制导**的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。