光子在制备、传播和探测的过程中产生的损失极大地限制了玻色采样的量子计算优越性。为研究光学网络中光子损失对玻色采样结果的影响，基于Clements模型，通过马尔可夫链蒙特卡罗（MCMC）方法实现了4光子8模式的玻色采样模拟，并通过贝叶斯检验方法，对模拟获取的玻色采样结果和光子源处产生光子损失的玻色采样进行了区分。模拟结果表明，基于引入光子损失的光学网络，利用MCMC方法获取的采样结果均能有效通过贝叶斯检验。当MCMC采样样本之间的跳跃样本数增大，通过检验所需的样本数均逐渐减少并趋于稳定。而随着光学网络规模的增大，MCMC方法需要更大的跳跃样本数以达到快速通过贝叶斯检验的需求。通过MCMC方法成功模拟了光学网络中发生光子损失的玻色采样过程，为考虑误差的玻色采样研究提供了参考。

针对目前关于城区景观树提取存在的提取精度低、数据代表性不足、算法复杂等问题，提出了一种空间约束标识点过程的机载激光雷达（LiDAR）景观树提取方法。所提方法从点云数据中分离非地面点，且通过树冠点云密度约束标识点过程模型。首先，采用三角网迭代加密滤波算法将LiDAR点云数据中的地面点与非地面点分离；然后，针对非地面点数据定义景观树空间分布标识点过程模型，以圆形刻画景观树在地面投影区域的几何形状，定义树冠投影区几何模型，并结合景观树和非树区域数据点的高程分布特点构建高程分布模型；在此基础上，根据树冠点云的空间密度特征，构建高程约束模型；在贝叶斯理论架构下综合上述模型建立景观树提取模型，并结合可逆跳变马尔可夫链蒙特卡罗算法模拟该提取模型；最后，根据最大后验概率准则，获取最优景观树提取结果。实验结果表明，所提方法提取的景观树整体精度较高，总体的提取率和正确率均达到了90%以上，对识别难度较大的复杂场景景观树提取结果亦能达到较高精度。

提出一种基于马尔科夫链蒙特卡罗(MCMC)框架的子图学习方法,该方法通过构建马尔科夫链实现子图在状态空间中的迭代,最终得到用于匹配的最优子图,以有效提高图匹配的精度,减少离散值的影响。在此过程中,所提方法可以在一对一的匹配约束下有效保存成对的匹配点,同时避免了离散值和畸变值的影响。实验分别在合成图像数据集、真实图像数据集、3D模型数据集上展开,实验结果证明了所提方法在图匹配过程中的优越性。

针对LiDAR点云数据目标投影几何的非规则性, 提出非规则标识点过程的LiDAR点云数据目标提取方法。首先, 在投影平面上定义随机点过程, 利用其随机点定位该平面上的目标投影, 对每一随机点生成一组节点集以建模该目标投影几何, 作为目标标识; 假设地物目标高程值服从独立同一高斯分布, 从而得到LiDAR点云数据高程测度模型; 在贝叶斯理论架构下建立目标几何提取模型, 并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo, RJMCMC)算法模拟后验分布以及估计各参数; 最后根据最大后验概率准则, 求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取, 根据实验结果可以看出, 算法得到的检测精度均达到80%以上, 最高精度为9943%, 得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程, 可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。

空间邻近目标在红外像平面的成像相互交叠，形成簇状像斑，为实现对各目标的有效跟踪与识别，必须对其进行分辨。提出了基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的空间邻近目标红外像平面分辨方法。在对多点源目标的红外像平面成像建模基础上，建立了基于贝叶斯推理的空间邻近目标红外像平面分辨框架，以可逆跳跃马尔可夫链蒙特卡罗方法实现了待估参数后验分布的计算，联合检测和估计出目标个数、各目标像平面投影位置和辐射强度参数。以中段弹道空间邻近目标的天基红外监视为例进行了仿真分析，结果表明，该方法能有效地分辨空间邻近目标中的目标个数和各目标投影位置和辐射强度。

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象，提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布，提高估计精度；采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性，抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.