视觉定位和导航在物流仓储等领域具有广泛的应用前景，传统单目视觉难以实现准确的定位，而双目视觉虽能完成精确的定位和导航，但硬件成本高且影响车体尺寸。提出一种基于特征物形变的单目定位技术，利用单个相机对地面铺设的特征物（带编码的圆环图案）的畸变进行记录，以嵌入式图像处理单元（graphics processing unit,GPU）进行分析，实现端到端的单目视觉定位。其中嵌入式GPU对相机采集的图像通过深度学习目标检测算法识别特征圆环的编码图案，经传统图像处理获取图案物像的形变信息，将该形变信息输入至经极端梯度提升算法（extreme gradient boosting，XGBoost）训练好的回归模型，预测出相机相对图案中心的坐标，同时结合该特征圆环的绝对坐标，最终解算出相机的室内绝对坐标。实验结果表明：在2 m×2 m 的范围内定位平均误差仅为0.55 cm，优于文献报道1个数量级，且算法在电脑端和在嵌入式GPU上的定位解算帧率分别为20帧和4帧，具有实时性。

中长波红外成像探测器成本高昂，成为该波段高分辨成像和实时显示的巨大挑战。本文提出一种高效合并分块压缩感知方法（Multi-block Combined Compressed Sensing，MBCS），适用于基于焦平面阵列的压缩成像系统，它结合了并行采样和快速重建优势，可通过低分辨红外探测器实现低分辨并行测量和高分辨图像快速重建。与传统的基于压缩感知超分辨成像相比，该方法可提升高分辨图像重建的质量，同时实现高速重建。本文对光学系统原型和MBCS重建模型测量矩阵构建过程进行了研究，讨论了合并块大小对重建性能的影响，发现存在最优块大小使重建速度与重建质量都最优。此外，本文还实现了基于GPU加速的MBCS重建算法，用于进一步改进并行成像系统的图像重建速度。仿真和光学实验验证了该光学系统并行采样和快速重建策略的有效性，512×512分辨率成像与显示速度可达到5 Hz。

为了实现枝切法在激光散斑干涉相位图解包裹中工程化的应用，解决由于外来光线干扰、激光器性能下降、相机拍照局部点欠采样等原因出现的枝切线密集、计算速度慢等问题，在Goldstein枝切法的基础上提出了优化改进方案。将残差点当作带着正负单位电量的“电子”，利用电磁力导引通过相位平滑或增加相位跳变处理消除残差点，减少枝切线数量，同时采用GPU并行计算技术提高图像处理速度。仿真实验和实际测量数据表明优化后 的枝切法解包裹图像质量更好，对于500万像素散斑相位图，通过电磁力引导可消除98%以上的残差点，减少90%以上的枝切线，处理时间可由以往15 s压缩至1.5 s，满足了枝切法高质量快速解包裹的工程化应用要求。

红外弱小目标的目标像素少，目标对比度低，成像帧率高，图像数据量大，检测实时性强。针对红外弱小目标检测算法适合于GPU并行计算的特点，对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在检测算法设计、内存访问、调试优化3个方面进行了优化设计。实验结果表明，对640×480像素分辨率的红外视频，并行优化后的目标检测算法能够在10 ms内完成计算，满足实时处理需求。