提出了一种基于多波长分组的无源光网络系统监测方案，用于解决基于反射型的故障监测方案中用户之间易发生因干扰导致的链路状态误判的问题。该方案将不同波长分配到不同组，实现不同光网络单元（ONU）组之间的识别，从而避免不同组成员之间的干扰。在此基础上，将与光路终端距离相近的ONU分配到不同组内，以此降低组内ONU发生相互干扰的概率。此外，还研究了用户数量、传输脉冲功率和脉冲宽度对该系统性能的影响。通过理论推导与仿真可知，在检测波长通道数为4、检测光脉宽为10^-8 s、用户数量为16、最大距离差为2 km的无源光网络系统用户中，检测信号的信噪比为9.06 dB，识别精度为2 m。这些结果表明，基于多波长分组的无源光网络监测系统方案能够支持对大容量无源光网络系统的监控，并且在易发生干扰的用户数量较多的情况下具有较好的性能。

在低信扰比条件下的纯方位被动跟踪中, 针对量测似然度评估粒子权重的方式对于滤波结果的不利影响, 提出了一种基于粒子残差一致性度量的粒子滤波算法.首先, 利用粒子残差实现采样粒子由状态空间到量测空间的映射变换；在此基础上, 通过置信度距离和置信度矩阵的构建及求解, 完成对于粒子权重的合理度量.新的粒子权重评估方法实现了对于最新量测信息及粒子间蕴含冗余和互补信息的充分提取和利用, 使得粒子权重度量结果更加稳定和可靠.最后, 仿真实验验证了算法的有效性.

在分析红外成像系统的基础上,提出了一种基于机器视觉的系统探测性能评估模型,阐述了该种性能评估模型的基本思想、子模块及其预测性能的方法. 实验结果表明该性能评估模型能很好地预测复杂背景中目标的探测性能.

综述了国内外红外成像系统性能模型的状况.在分析静态性能模型和动态性能模型的基础上,分别给出了其基本构想,阐述了几种静态性能模型的优缺点,讨论了动态性能模型的三种模块:目标背景模块、图像处理算法模块和目标工作平台模块.介绍了它们在预测现场性能的应用.展望了性能模型的发展趋势.