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。

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。

在某燃料元件产品中燃料颗粒随机弥散分布在非金属材料中，表征燃料颗粒的分布状况进而评估产品工艺质量具有重要意义。针对该问题，对三维空间内相邻燃料颗粒的间距测量进行了研究，使用X射线微焦计算机层析成像（CT）对该类产品进行了三维扫描成像，从而得到了三维CT图像。在三维CT图像的基础上，提出了一种结合改进型空间直觉模糊C均值聚类和三维区域生长的自动算法，用于分割图像中的燃料颗粒以得到每个燃料颗粒的空间结构。然后，通过计算质心获得燃料颗粒的中心坐标，进而自动计算出相邻燃料颗粒的空间距离。通过仿真实验验证了所提算法的可行性，通过标准球实验验证了测量误差，并通过实际燃料元件测试了相邻燃料颗粒间距的自动测量，表明了所提方法对燃料颗粒间距测量的有效性。

食品的品种不同则其含有营养成分和功效存在差异, 得到的傅里叶变换红外光谱也存在差异。 为了准确的实现品种分类, 设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。 在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中, 提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。 FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率, 以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心, 可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。 FKHKCN作为一种模糊聚类算法, 可实现傅里叶变换红外光谱数据的聚类分析。 采用三种数据集: (1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本, 样本总数为96。 (2)两个品种(robusta和arabica)的咖啡样本。 (3)三个品种(鸡肉、 猪肉和火鸡)的肉类样本。 首先对三个光谱数据集进行预处理, 利用多元散射校正降低茶叶样本原始光谱数据集的散射影响, 使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。 再利用主成分分析将高维的三种光谱数据集压缩至低维。 然后采用线性判别分析进行特征提取, 将光谱数据投影到求得的鉴别向量上。 最后分别采用FCM, FKCN和FKHKCN对茶叶、 肉类和咖啡进行判别。 最终结果如下: FCM, FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%, 90.91%和93.94%; 对肉类品种的聚类准确率分别为90.83%, 0.00%和92.50%; 对咖啡品种的聚类准确率分别为89.17%, 89.17%和90.83%。 以上实验结果表明: 采用傅里叶红外光谱技术结合主成分分析、 线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别, 且鉴别准确率比FCM和FKCN更高, 聚类结果更稳定。

红外热成像技术常被用来检测碳纤维增强复合材料的内部缺陷, 但常用的光学热源加热效率低, 需要近距离加热试件。激光具有能量集中、衰减小的优点, 其作为加热源有助于实现远距离检测。本文介绍了线激光扫描红外热成像无损检测技术, 并对加热过程中材料内部热传导进行了分析。其次, 针对红外图像均匀性差、对比度弱, 不利于缺陷特征提取的问题, 本文引入基于直觉模糊 C均值聚类算法的图像分割方法来提取缺陷边缘, 与 K-Means聚类方法相比, 该方法可以提升缺陷模糊边缘的识别和检测能力, 保留更多图像的细节信息, 有助于准确提取缺陷边缘特征。

针对传统人脸检测中存在色偏所造成检测精度偏低, 深度学习方法中通过训练大量数据来实现人脸检测而造成硬件要求高等问题。提出了训练简单的卷积神经网络来实现人脸和非人脸的判断, 并利用白平衡算法来解决色偏的问题。将YCgCr颜色空间与K均值聚类的方法结合起来实现肤色检测, 最后在肤色检测的基础上实现人脸检测。其精度相较于传统的人脸检测方法提升3%左右, 速度比基于深度学习的人脸检测快2倍左右。

为改善高光谱压缩感知的重构质量，提出基于双频带预测的高光谱重构算法。引入K 均值聚类算法自适应地完成频带分组，并确定各组组内的双参考频带；再建立双频带预测模型获得预测图像；最后，在预测图像的基础上采用修正重构和加权融合方式，实现图像的高精确度重构。结果表明：在相同采样率下，该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。

背景去除是从单幅条纹投影图中恢复相位的重要问题之一，提出了一种改进的模糊c均值（FCM）聚类算法来移除单幅条纹投影图中的背景。该方法使用改进的FCM算法将条纹分为黑、白条纹，并通过改进的FCM目标函数得到背景，从而从条纹投影图中去除背景。将该方法应用在两张模拟图和一张实验图上，并与傅里叶变换方法、基于形态学操作的二维经验模态分解方法、变分分解TV-Hilbert-L²模型进行了比较。实验结果表明，该方法提高了背景去除的能力和相位提取的精度。