空间激光通信系统中, 波前校正系统时间延迟引起校正器生成的校正面形与实际的畸变不匹配, 最终导致校正滞后误差。针对这一问题, 分析大气扰动产生的时序像差模型, 提出一种基于运动估计的波前预测补偿技术。在大气冻结模型假设下, 采用自适应根模式搜索(ARPS)运动估计算法, 根据参考帧与当前帧的畸变光斑图像对下一帧的大气扰动进行估计。仿真结果表明: 在50 Hz采样频率下, 波长为1550 nm、口径为0.1 m的望远镜系统在10 m/s等效风速时归一化光强图像校正残差从1.24 rad降低到1.17 rad。

水稻株高是水稻本身以及土壤、 水文、 气象等因素的综合反映, 是水稻长势监测的重要指标。 准确、 高效、 大范围的株高反演为水稻品种识别、 物候监测、 病虫害评估和产量预测等提供了可靠的依据。 合成孔径雷达（SAR）, 具有全天时、 全天候、 穿透性的优势, 成为水稻株高反演的重要手段之一。 基于极化干涉测量（PolInSAR）的散射模型的反演算法具有严密的物理模型的支撑及较高的反演精度等特点, 成为植被高度反演研究的热点。 结合极化干涉SAR技术, 构建了一种基于RVoG（Random Volume over Ground）模型的水稻株高反演算法, 并利用2015年水稻生长季内9个时相的TanDEM-X极化干涉SAR数据, 进行了水稻株高反演试验。 首先基于每个时相下的极化干涉SAR数据分别得到8个复相干系数, 利用这8个复相干系数在考虑卫星双站模式等情况下进行去相干处理, 然后建立适用于水稻田特性的RVoG模型, 接着构建基于该模型的水稻株高反演迭代算法, 最后对9个时相下的TanDEM-X数据进行研究区的水稻株高反演及精度评定。 结果表明, 当水稻株高高于0.4m时, 该方法的反演结果较好, 决定系数（R2）为0.86, 均方根误差RMSE为6.79 cm; 当水稻株高较低时（水稻株高小于0.4 m）, 反演误差在0.1～0.8 m之间, 反演结果较差, 被明显高估。 通过分析认为, 基于极化干涉理论, TanDEM-X数据在较好地反映出水稻植株的较大体散射量的前提下, 利用所构建的基于RVOG模型的水稻株高反演算法, 能够较好地反演株高在0.33～1.2 m的水稻株高。

自动测量头盔显示器的视差时, 用CCD相机取代人眼的主观读取, 由于机器视觉不如人眼灵活, CCD相机在人眼观察点才能确保移动时采集的图像是完整的, 从而保证全视场的视差测量。该文提出采用模式搜索法在头盔显示器光学平面内实现CCD相机自动对准人眼观察点(眼位点), 从而实现头盔显示器全视场视差的自动测量。对该自动测量系统的测量原理, 以及CCD相机自动对准眼位点的实现过程进行了详细论述与说明, 对测量精度与效率, 对准精度与重复定位精度进行了实验分析。实验结果表明, 该方法能够快速、准确、自动地对准眼位点, 定位精度为±0.071°, 与摆头法测量视差系统进行对比实验, 全视场视差测量效率高, 重复精度高。

搜索环境的复杂化使得多无人机（UAV）协同搜索需要面对各种类型的目标。针对各类型目标的运动特征，采用目标存在概率密度相关的搜索图方法，在考虑协同搜索问题特性基础上，建立合理的目标收益函数。采用集中式与分布式相结合的集散式控制框架，结合对搜索图的探测更新，通过预测控制及改进匈牙利算法进行多UAV的协同搜索决策。所用决策方法可在提高搜索效率的同时，有效避免多UAV间可能发生碰撞的问题。最后，通过与传统搜索方法进行仿真对比分析，验证了所提方法的有效性。

电压的量化位数限制了波阵面相位的选择范围，导致波束的偏转角度偏离理想角度，从而降低指向精度。指向精度是液晶相控阵(LCPA)性能的重要指标之一。提出了一种提高指向精度的优化算法。该算法以最优化理论为依据，采用模式搜索方法，通过调整电压台阶的方式进行优化。首先分析了电压量化指向精度的影响，建立了波控模型，然后利用模式搜索法，以减小实际角度与理想角度之间偏差为目标进行相应的电压台阶修正。仿真结果表明，在扫描角度范围内，该算法能将归一化精度误差从100数量级降至10-3数量级，优化效果显著。

针对基本遗传算法(GA)易局部收敛的缺陷，设计了基于模式搜索的自学习算子，提出一种基于模式搜索的自学习遗传算法(ALGA)。通过仿真测试函数将ALGA与基本遗传算法、自适应遗传算法(AGA)进行比较，显示改进的ALGA提高了算法的综合搜索能力。将改进的ALGA运用到岸基导弹航路规划中，并进行仿真实验，仿真结果验证了改进算法的有效性。