针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题，提出了基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。首先，对二值化图像进行数字形态学处理，计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次，对有效BLOB区域个数大于1的完全分离双目标准直图像，统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量，数量小的候选BLOB区域为主激光目标，数量大的候选BLOB区域为模拟光目标。然后，对于有效BLOB区域个数等于1的待识别图像，从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列，搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时，待识别图像为模拟光目标；当4个方向的相关系数都小于0.95时，待识别图像为主激光目标；否则待识别图像为粘连图像。实验结果表明：提出的双光学目标识别算法，不仅能够识别完全分离的模拟光目标和主激光目标，误差小于3个像素，处理时间小于1 s，而且能够判别处于粘连状态的光学目标和单个独立的光学目标，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。

视觉是人类获取信息的主要来源。用于视觉系统模拟的人工图像识别是发展人工智能技术的关键一环。当前，光电突触凭借存算一体式处理光信号的特点被广泛应用于视觉模拟领域，但是突触的光电转换需要对输入光信号进行接触式处理，从而导致大量的能量消耗。针对这个问题，研究了基于光致变色钙钛矿薄膜的全光人工突触，它在紫外和可见光触发下，从光透过率的变化上表现出显著的突触特性，包括配对脉冲易化和学习能力。利用循环神经网络处理随时间变化的透射率数据，实现了对数字图像的二元识别，识别精度从第1个循环就稳定在100%。该器件具有零功耗非接触式信息读取的特点，为视觉系统模拟开辟了一条新的途径。

针对卷积网络模型的稳定性能较差，对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题，提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法（VVNet）。在卷积神经网络的基础上，融合人体视觉的结构特征，在不增加网络层数或保持准确率不变的情况下，提高神经网络面对噪声干扰的稳定性。在数据集Cifar10上对3种不同神经网络模型（VVNet，VOneNet以及原网络模型）进行测试。实验结果表明，使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像（噪声图像、模糊图像、遮挡图像和饱和曝光图像）的分类准确率进行对比，验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变，在使用对抗样本情况下，VVNet网络结构的图像分类准确率提高了约10%。与深度学习网络相比，基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性，并具有可移植性。