针对目前基于深度学习的图像超分辨率重建方法参数量大的问题，以Deep Laplacian Pyramid Networks（LapSRN）为基础，提出一种轻量化拉普拉斯金字塔图像超分辨率重建卷积神经网络。首先，对输入的低分辨率图像（Low Resolution Image， LR）提取出浅层特征。其次，使用可以进行参数共享的具有同源跳跃连接的递归块结构，从浅层特征逐步提取出更深层特征并进一步推断出包含高频信息的残差图像（Residual Image，RI）。然后，对RI以及输入的LR进行转置卷积上采样，并将二者逐像素相加得到超分辨率图像（Super Resolution Image， SR）。该方法在三个放大倍率下**数量仅为LapSRN的3.98%，火星遥感影像4倍超分辨率下峰值信噪比（Peak Signal to Noise Ratio， PSNR）提高0.031 3 dB，8倍超分辨率下PSNR提高0.116 7 dB。所提方法在超分辨率重建效果基本维持的情况下将网络参数量在2倍下缩减81.6%、4倍下缩减90.8%、8倍下缩减88.8%。

受红外焦平面工艺和材料的限制，红外探测器不可避免存在盲元、闪元等缺陷像元。盲闪元与红外点目标在灰度分布和尺度上一致，易造成远程红外探测系统的虚警和漏检。为此，提出了一种面向红外点目标检测的基于时空统计特征的缺陷元动态实时修复算法。在深入剖析缺陷元的基础上，构造空间极值滤波算子提取当前帧特征掩码，在时间域对历史掩码值进行累加、结合概率动态统计进行多维判定，同时引入图像金字塔对盲元、闪元、缺陷元簇进行提取，最终采用多尺度中值滤波对缺陷元进行剔除。实验将DDR3作为片外存储进行FPGA的硬件移植，结果表明：所提算法可适用于各类需要执行点目标检测的场景，能动态更新并修复新增缺陷像元，计算复杂度低实时性强，缺陷率从6‰降为0.046‰，检测准确率达到98%。

针对沙尘图像存在细节模糊、对比度低和颜色偏移等问题，提出了基于多曝光图像融合的沙尘图像增强算法。首先对蓝通道进行补偿，以弥补沙尘图像的蓝光损失；其次对图像的RGB三通道分别进行标准化，以减小通道直方图之间的偏离，从而去除偏色。为了提高图像中不同区域的细节，采用线性参数控制的方法生成多幅曝光图像。通过用对比度、饱和度和良好曝光度的质量度量计算权重图，以选择出曝光图像中的最佳像素；然后分别构建权重图和曝光图像的高斯金字塔和拉普拉斯金字塔。最后将图像金字塔融合，并重建出结果图像。主观和客观实验表明：与其他算法相比，本文算法能够有效去除偏色以及提高图像的对比度和清晰度，结果图像视觉效果良好。