在智能交通领域中，道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义。使用雷达点云和图像数据进行融合能够达到优势互补的效果，然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度，通常都采用两阶段网络，相比于单阶段网络运算速度较慢，而在实际应用中检测系统的速度是非常重要的。针对以上问题，在单阶段网络RetinaNet上进行改进，设计了一种三维目标实时检测方法，将三维锚框映射到点云和图像的特征图上，利用ROI池化，将锚框在特征图上裁剪出的区域转换成相同大小并融合，最终输出目标边界框的回归参数和类别，并且对锚框进行调整得到目标预测边界框。在KITTI数据集上进行的实验表明，所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法。

为了解决机器人同时定位，地图构建与目标跟踪(SLAMOT)过程中的多源，异构传感器空间一致性观测问题，提出了基于信息融合的摄像机与激光测距传感器联合标定优化方法。完成基于误差传播公式的激光扫描点图像平面投影不确定范围判定，并利用协方差交集算法实现基于运动物体检验方法和基于Camshift方法的图像坐标系下目标状态融合。在此基础上，利用目标图像平面投影方向误差构造目标函数，通过非线性优化方法实现摄像机与激光测距仪标定参数优化。实验验证了设计方法能有效提高目标跟踪以及多传感器参数标定的准确性。相关成果能够为基于多传感器信息融合的机器人同时定位，地图构建与目标跟踪滤波方法研究提供观测值支持。

针对近年来备受关注的注水肉问题，提出一种可以快速、准确检测出注水肉的新方法。采用近红外(NIR)光谱技术测量肉品的水分含量，并建立肉品水分含量模型。为了提高NIR光谱测量精度和准确性，克服肉品水分测量受肉品体积重量的敏感性影响，将肉品的图像信息和pH值作为模型的辅助参量，以水分、图像、pH值为特征数据，进行多传感器信息融合。最终，通过支持向量机(SVM)数据分类器对所测肉品是否为注水肉进行快速模式识别。

提出的图像信息融合方法用于解决传统方法在空间分辨率等方面的不足.原始图像经过小波变换,分解成子图像,再进行分块处理,高、低分辨率图像根据全局方差准则分别计算融合的权值系数,进行图像融合重建,然后,对图像采用全局法进行信息融合.实验表明,方法切实可行,能使低分辨率图像接近于高分辨率图像.