针对分布式光纤传感器在航空航天领域应用中存在的应变读数异常现象，提出一种可检测和快速清除分布式光纤传感器应变读数异常的自适应后处理算法，以提高传感器监测精度与数据可靠性。该算法采用K均值聚类方法进行自适应定义阈值，以区分不同结构特征及不同服役环境导致的数据分布与噪声响应的差异性。在此基础上，对扭曲的应变曲线实行连续的几何偏置来消除应变读数异常。最后以航天燃料贮箱压力循环实验中采集的分布式光纤传感数据处理为例验证所提方法的有效性，使用Pearson相关系数来表征后处理曲线与无异常曲线的相关性，并与其他后处理算法进行对比。结果表明，针对2种主要类型、8种典型案例的应变异常现象，所提方法均能获得最佳的后处理结果，与无异常曲线的相关性系数不低于0.917。

为提高松动爆破振动信号分析精度, 在局部均值分解(LMD)的基础上, 建立一种基于局部均值分解(LMD)-多尺度模糊熵(MFE)-奇异值滤波(SVD)的混合去噪方法。使用LMD方法对松动爆破振动信号进行分解, 获得一系列乘积分量(PF); 通过计算MFE和相关系数, 对爆破振动信号进行初步降噪; 针对主要PF分量的残留噪声, 使用SVD滤波进行降噪处理, 提取真实信号成分。通过上述处理, 最终实现松动爆破信号降噪。结果表明: 提出的LMD-MFE-SVD降噪方法具有可行性和应用价值, 能够对含噪的PF分量进行有效处理; 对于含多信号成分、多噪声的仿真信号, LMD类算法相较EMD类改进算法降噪效率更高, 信噪比(SNR)、均根方误差(RMSE)和失真百分比(PRD)指标表现显著提升, 而相较LMD算法, 提出的LMD-MFE-SVD算法降噪效率进一步提高, 依次提升11.73%、22.07%和9.25%, 降噪效率显著; 根据实测松动爆破振动信号去噪后的波形和频谱对比, 提出的LMD-MFE-SVD降噪后的信号波形更为集中, 能保留多数信号信息, 信号频谱图更为清晰, 有效显示信号频率波峰, 更利于松动爆破振动信号的特征分析。

为了更好地突出红外与可见光融合图像中的目标信息，保留更多的纹理细节信息，提出了一种基于非下采样剪切波变换（ non-subsample shearlet transform，NSST）域结合脉冲发放皮层模型（ spiking cortical model，SCM）与改进的模糊 C均值聚类（ fuzzy C-means clustering，FCM）的红外与可见光图像融合算法。首先，用改进的 FCM提取源红外图像中的红外目标信息；然后，将得到的红外图像与可见光图像的目标区域和背景区域进行 NSST分解，得到各自的高低频子带图像；接着，对得到的不同区域采用不同的融合策略，其中，对于高频背景区域采用 SCM模型与改进赋时矩阵进行融合；最后，使用 NSST逆变换，得到最终的融合图像。仿真实验证明，与其他方法相比，本文算法得到的融合图像在主观视觉上红外目标信息突出，纹理细节信息丰富，在客观评价上，其信息熵和边缘保留因子达到最优。

为了解决焊接缺陷磁光图像轮廓信息难以提取的问题, 提出一种图像去噪及轮廓检测方法。通过激光点焊获取裂纹缺陷样本, 利用有限元模拟仿真并获取缺陷漏磁场, 对比分析磁光图像灰度连续性、集中性及噪声特性; 利用快速非局部均值滤波算法去除噪声, 并与传统滤波器进行对比分析; 根据磁光图像缺陷信息与背景信息梯度值相异的特性, 在1阶梯度图的基础上进行Otsu法阈值分割与边缘检测。结果表明, 经该方法处理后的磁光图像标准差及图像熵分别达到30.0465及6.0395, 图像聚集程度更好, 更贴近仿真磁场曲线, 并能较好地提取缺陷轮廓信息。这一结果对后续缺陷识别及目标检测是有帮助的。

激光诱导击穿光谱（LIBS）技术以其在线、原位、实时、多元素分析等特点，被应用于烧结矿混合料成分的快速检测。在工业现场中，经过配比后的烧结矿混合料含有一定的水分。笔者通过配制不同含水量的烧结矿混合料样本，研究了混合料中的含水量与光谱强度之间的关系，建立了烧结矿中Fe、Ca、Si、Mg等4种元素的定量分析模型，结果发现含水量对结果的稳定性和准确性都产生了严重影响。在此基础上，笔者提出了一种基于谱线强度相关性匹配的光谱标准化（SICMS）方法，对不同水分区间下的光谱进行修正，将其转换到标准水分区间内的光谱。实验结果表明：样本中的含水量与光谱强度均值之间存在一种线性关系，可以用光谱平均值间接地表示含水量；采用所提光谱标准化方法对不同水分下的光谱进行修正，可以明显提高定量分析结果的稳定性和准确性。

针对分布式光纤传感系统所采集含噪信号, 提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法, 引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构; 将含噪信号和重构信号求差得到虚拟噪声, 构造虚拟通道; 然后使用ICA对含噪信号和虚拟通道进行信噪分离, 得到最终结果。通过实验验证, 该方法与EMD-ICA, EEMD-ICA, MELMD相比, 能更好地消除信号中的噪声, 保留信号的特征信息。

传统基于聚类的波段选择方法多属于硬聚类，在对波段进行划分时不够精确。针对该问题，提出一种基于模糊C-均值聚类（FCM）的无监督波段选择方法，通过引入萤火虫算法（FA）得到FCM-FA，利用FA的全局搜索特性，修正FCM在特定情况下获得局部最优解的问题。在两个公开高光谱数据集上进行分类实验，结果表明：在136组实验中，所提FCM-FA所选波段在55.9%的情况下能够达到使用全波段的分类精度；在77.9%情况下能够达到最优分类精度；FA的引入有效地提升了FCM的效果，总体精度最大提高了3.12个百分点，Kappa最大提高了4.26个百分点。经验证，FCM-FA能够在大幅减少数据量的同时保留原数据的主要信息，可进一步进行推广和研究。

针对传统红外与可见光图像融合算法中存在的目标模糊、细节丢失、算法不稳定等问题, 提出了一种基于模糊 C均值聚类(Fuzzy C-means, FCM)与引导滤波的红外与可见光图像融合方法。原图像经过非下采样剪切波变换(Nonsubsampled Shearlet Transform, NSST)后对低频子带进行引导滤波增强, 再利用 FCM与双通道脉冲发放皮层模型(Dual Channel Spiking Cortical Model, DCSCM)结合对高低频子带进行融合, 最后经 NSST逆变换得到融合图像。实验结果表明, 本文算法稳定, 主观评价上所得融合图像目标明确, 细节保留较为完整, 客观评价上在标准差、互信息、平均梯度、信息熵和边缘保留因子等评价标准中表现优良。