针对基于旁瓣光束衍射反演的强激光远场焦斑测量无法提取旁瓣图像更外围最小可测信号的问题，笔者提出了基于邻域向量主成分分析（NVPCA）图像增强的旁瓣弱光信号区域波峰参数检测方法。采取的主要优化措施为：首先，将旁瓣图像中的每个像素和它的8邻域像素看作一个列向量，构建一个9维数据立方体，选择主成分分析变换后的第1维数据为NVPCA图像；其次，通过角度变换转化检测对象，检测所有方向上一维旁瓣曲线的各个波峰参数，获得旁瓣弱光信号区域能量的量化分布；然后，搜索每个旁瓣波峰在所有方向上的极大值位置点，连接对应位置点生成每个旁瓣波峰的极大值圆环，计算各极大值圆环的灰度均值；最后，选择大于局域对比度方法（LCM）目标分离阈值且最小的极大值圆环的灰度均值作为整个旁瓣光束的最小可测信号。实验结果表明，采用基于NVPCA图像增强的旁瓣弱光信号检测方法能够从旁瓣图像的第5波峰环分离和提取最小可测信号，动态范围比值提升至原来的1.528倍，各旁瓣波峰参数满足精度要求，为未来大型激光装置强激光远场的精确测量奠定了基础。

为了解决长测距地面激光点云高密度变化的问题, 采用了一种密度自适应的平面分割方法。首先基于估算理论点间距构建动态邻域搜索范围, 联合内指标和香农熵确定最佳邻域并计算维度特征; 然后根据最佳邻域、维度特征、法向量和点面距设计区域增长规则, 得到初步分割结果; 最终通过面片合并优化分割结果, 并在最长扫描距离为1 km的单站地面激光扫描数据进行了实验验证。结果表明, 该方法分割准确率达到95%, 召回率达到92%, 能够准确对长测距地基点云中的建筑物平面进行分割; 与传统香农熵方法相比, 本文中使用动态邻域搜索范围可以显著提高算法效率。该方法能高效准确地从大场景点云中提取建筑物平面, 为城市3维建模提供了参考。

通过发掘深度信息与子孔径图像邻域像素间的高度相关性，提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制，该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系，能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块，该模块通过三维卷积将相邻序列图像上的特征编码到特征图上，并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络，该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明，所提方法在均方误差（MSE）和平均坏像素率（BP）指标上总体表现优于其他先进方法，同时得益于高效注意力机制的加入，与其他先进方法相比所提方法运行速度最快。

为解决激光雷达目标点云配准技术中精确配准步骤中所存在的匹配速度慢和匹配误差大的问题，提出了一种基于邻域曲率改进的迭代最近点（ICP）精准化匹配算法。初始配准采用传统的主成分贴合法，给精确配准找到一个较好的初始位置，精配准采用基于领域曲率改进的ICP算法。以斯坦福兔子和场景点云作为实验研究对象，配准结果和数值分析共同表明，基于邻域曲率改进的ICP算法在点云配准中的可行性，且与其他算法相比，所提算法的配准速度更快、匹配精度更高，为三维数据重建和目标识别技术提供一种更高效的新方法。

针对输电线路电力设备红外图像热故障区域检测，提出采用一种基于相似度阈值的模糊聚类热故障区域提取方法。在该方法中，改进了传统模糊均值聚类算法的迭代求解方式，采用一种阈值化模糊聚类；其次，通过对目标区域局部邻域像素的相似度聚类分析，并结合其隶属度的计算，确保局部邻域像素在聚类上的相似性。同时，引入了最大相似度阈值准则简化均值的设置以及自高向低的迭代方式，从而提升区域提取效率。最后通过真实输电线路电气设备红外故障图像测试，验证了文中所提方法的有效性和适用性。

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题，提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域，计算出点云的浅层特征；然后将点云的浅层特征输入深度学习网络中，通过图卷积提取点云局部特征，并将该特征与PointNet提取的点特征、全局特征组合得到特征向量；最后，将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证，实验结果表明，所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。

采用管道机器人定期检测输送管线的状态对于确保管道安全可靠运行意义重大。受限于机器人的结构尺寸和功耗，常用精度较低的微小型三维测量传感器为机器人提供环境及导航信息。针对低精度三维传感器得到的点云数据质量不佳、难以可靠分辨障碍物的问题，提出了一种基于时间序列及邻域分析的点云处理方法。利用障碍物点云与噪声点云在时间序列分布和空间分布方面的特性有效去除噪声，并通过拟合管道内壁实现管道内障碍物检测。测试结果表明，所提方法的检测精度提升了约30个百分点，检测时间小于1 s，满足管道机器人的应用需求。

弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检 测率低、虚警率髙的问题, 提出一种基于区域双邻域显著图(Regional Bi-Neighborhood Saliency Map, RBNSM)的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分 为多个单元, 计算中心单元前若干个最大灰度的均值来凸显弱目标; 分别构建中心单元的相接邻域和 相隔邻域并计算各自的灰度均值, 进而, 从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂 波背景、增强弱小目标; 最后, 通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST 数据集检测结果表明: 与7种代表性方法相比, RBNSM在复杂背景下具有更好的检测性能与杂波抑 制能力。