针对红外图像序列中复杂背景干扰下容易出现的高虚警问题，提出一种基于 ${L_{1 - 2}}$时空域总变分正则项的红外弱小目标检测算法。首先，将红外图像序列转化为时空域红外张量块，该步骤可利用张量的高维数据结构优势关联图像序列中的时空域信息。然后，利用加权Schatten $p$范数和 ${L_{1 - 2}}$时空域总变分正则项对低秩背景成分进行重构，以保留背景中起伏剧烈的边缘和角点，提高稀疏目标的重构精度。最后，将目标张量恢复为图像序列，利用自适应阈值分割方法得到最终的目标图像。与另外5种检测算法进行对比实验，结果显示，该方法的虚警率较Maxemeidan算法、Tophat算法、LIRDNet算法、DNANet算法以及WSNMSTIPT算法平均分别下降了71.4%、71.1%、68.5%、74.3%和20.47%；而在检测实时性方面，该算法耗时为Maxemeidan算法、DNANet算法以及WSNMSTIPT算法的42.4%、82.9%和28.7%。实验结果验证了该方法在检测性能上的优越性，表明该算法能够显著提高复杂背景干扰下的目标检测精度和效率。

针对基于超快压缩成像(CUP)与二维任意反射面速度干涉仪(VISAR)获得的压缩图像重构冲击波二维条纹的问题，提出了一种基于低秩约束和全变分正则化的压缩图像重构算法。该算法利用条纹图像空间结构的相似性以及平滑性，将重构问题转化为核范数最小化和全变分正则化的优化问题，利用即插即用的交替方向乘子法将优化问题分裂为多个子问题求解，实现了CUP-VISAR压缩图像的精准重构。仿真结果表明，在大噪声的条件下，重构图像的峰值信噪比提高了8.45 dB，结构相似性提高了8.52%，重构效果优于主流重构算法。进一步设计实际实验，实验结果表明，冲击波条纹的最大速度相对误差从13.5%降低到3.46%，减少了近10%，验证了算法的有效性。

为了有效去除高光谱图像中噪声带来的干扰，提升图像质量，在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先，将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵，在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵，对核心矩阵添加L2,1范数最小化约束；其次，对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束；最后，将低秩矩阵的三因子分解和全局组稀疏正则化结合，可以充分挖掘图像的局部低秩和稀疏的先验信息，并去除各种混合噪声。在三个数据集上与五种经典模型相比，该模型的各项评价指标更高，去噪图像保留了更多细节信息，去噪效果更好。

为了改善红外与可见光图像融合的视觉效果，通过潜在低秩表示将两种不同源的图像分别分解为各自的低秩分量和去除噪声的稀疏分量，采用KL变换确定权重对稀疏分量进行加权融合得到融合稀疏图。再对双判别器的生成对抗网络重设计，借助VGG16网络提取两种源的低秩分量特征作为该网络的输入，通过生成器和判别器的博弈来生成融合低秩图。最后，将融合稀疏图与融合低秩图进行叠加获得最终的融合结果。实验结果表明，在TNO数据集上，与所列的5种先进方法相比，本文所提出的方法在熵、标准差、互信息、差异相关性总和及多尺度结构相似度5种指标上均获得最优结果，相比于次优值，5种指标分别提高了2.43%，4.68%，2.29%，2.24%，1.74%。在RoadScene数据集上只在差异相关性总和及多尺度结构相似度两种指标上取得最优，另外3种指标仅次于GTF（gradient transfer and total variation minimization）方法，但图像视觉效果明显优于GTF方法。综合主观评价和客观评价分析，本文所提方法确实能获得高质量的融合图像，与多种方法相比具有明显的优势。