针对现存背景抑制算法未能有效抑制复杂背景而导致的高虚警率及低检测率问题，提出一种基于六方向梯度差各向异性高斯滤波抑制、双层正交灰度差与对角灰度差目标增强、灰度指数自适应阈值分割的小目标检测算法。首先，采用高斯滤波技术融入梯度差思想设置一系列背景抑制策略；接着，将抑制后的图像利用正交灰度差与对角灰度差映射在双层滑窗上增强局部对比度，提高目标显著性；最后，通过像素灰度指数自适应分割算法检测真实弱小目标。实验结果表明，该算法的背景抑制因子指标高达93%，能随背景局部变化来自适应建立背景抑制模型，从而自适应抑制复杂背景突出目标。

针对船舶轨迹的历史轨迹相似性低、预测精度不高等问题, 基于序列到序列(Seq2Seq)模型提出一种轨迹预测算法——vSeq2Seq。首先, 用一阶差分法处理AIS数据, 降低时间依赖性, 减弱通信延迟产生的干扰, 突出船只运动规律; 然后, 采用滑窗法处理数据, 构建模型数据集, 通过Seq2Seq模型进行可变步长的轨迹预测。实验结果证明, vSeq2Seq算法能够从船只轨迹中提取出轨迹变化特征, 针对船只不同运动状态改变预测步长、灵活地进行预测, 对比传统LSTM模型和GRU模型, 预测精度有显著提升。

为解决传统自适应红外小目标检测方法虚警严重的问题, 提出一种滑窗式自适应红外小目标检测方法。结合教学优化算法来增强哈里斯鹰优化算法跳出局部极值的能力, 提出一种混合的多种群哈里斯鹰优化算法; 设计了基于滑动窗口的小目标搜索适应度函数; 提出了红外小目标的自适应检测方法。基于公开数据集的实验结果表明, 相较于其它自适应红外小目标检测方法, 该检测方法的虚警率较低。

为了提高红外图像去雾效果，提出改进暗通道算法。首先利用近红外光在天空区域与非天空区域的穿透能力不同，天空区域的红外能量相对非天空区域能量较小，通过红外有雾图像的能量差异性划分为天空区域、非天空区域；接着天空区域的大气光值通过滑动窗口的像素亮度平均值计算，透射率考虑近红外波段衰减，非天空区域的大气光值、透射率通过改进暗通道算法计算；最后通过各区域大气光值、透射率恢复出无雾图像。实验结果表明，本文算法对红外图像去雾结果清晰，图像细节信息较好，评价指标较优。

针对红外目标检测中小目标检测精度较低的问题，提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点，在其基础上，融合灰度与显著性特征，用于核相关滤波器，以解决红外目标特征简单且信息量少的问题; 提出一种自适应双滑动窗口，针对不同区域调节聚合窗口形状及像素点权重，以实现高强度结构背景附近的机动目标的匹配，提高小目标检测的准确度; 利用MATLAB仿真平台对所提方法进行实验论证，结果表明，所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标，且其准确度、稳定性、执行时间等方面均优于其他对比方法。

针对港口难以自动识别的问题,在高分辨率可见光遥感影像上将深度学习和地理空间分析相结合,提出了船舶-码头-港口递进式识别模型。首先,对构建的码头样本数据集进行数据增强,并用增强后的数据集来训练YOLO v3算法。然后,在大幅遥感影像上利用滑动窗口进行多尺度识别,获取影像底层特征以计算出码头类别和像素坐标。最后,将码头点位转化为地理坐标,使用Getis-Ord Gi ^*统计方法进行热点分析。并利用经典的密度聚类方法,实现了对港口位置及范围的识别与提取。在实验区中的识别对比结果表明,在1000 m聚合阈值下,所提模型对港池识别的比例达到82.79%。

针对自动驾驶场景中目标检测存在尺度变化、光照变化和缺少距离信息等问题，提出一种极具鲁棒性的多模态数据融合目标检测方法，其主要思想是利用激光雷达提供的深度信息作为附加的特征来训练卷积神经网络(CNN)。首先利用滑动窗对输入数据进行切分匹配网络输入，然后采用两个CNN特征提取器提取RGB图像和点云深度图的特征，将其级联得到融合后的特征图，送入目标检测网络进行候选框的位置回归与分类，最后进行非极大值抑制(NMS)处理输出检测结果，包含目标的位置、类别、置信度和距离信息。在KITTI数据集上的实验结果表明，本文方法通过多模态数据的优势互补提高了在不同光照场景下的检测鲁棒性，附加滑动窗处理改善了小目标的检测效果。对比其他多种检测方法，本文方法具有检测精度与检测速度上的综合优势。

雷达数据采集存储设备是雷达系统中的重要设备。工程实现中，为了线下实测回波信号的到达时间(TOA)，针对雷达采集存储设备中的实测回波信号进行了分析，提出了基于自适应阈值双门限的脉冲重复间隔(PRI)的TOA检测，在收发分时系统中的任意回波数据段中实现PRI的TOA检测，检测速度为11 ms左右；提出了基于滑窗法的合成孔径雷达(SAR)目标回波的TOA检测，有效检测出雷达系统中SAR目标回波的TOA，并进行了仿真验证。

地面指挥员的手势动作是航空指挥动作中重要的一部分。针对目前手势分割时效性不高、短序列分割不准确等问题, 提出实时动态手势动作分割方法。利用OpenPose提取手部关键点位置信息, 计算手指顶点与基点的角度特征及长度特征序列, 通过滑动窗口提取得到子序列, 将子序列的均值与前一子序列均值作差, 利用阈值法, 从子序列中寻找满足阈值条件的点, 即为序列分割点。构建了手势指令数据库, 通过所提方法与人工标注的分割点进行比较得出:所提方法分割较为准确, 准确率均达到90%以上且时效性较高。

针对KAZE算法在遥感图像配准过程中存在的检测速度慢和误匹配的问题, 本文提出了一种改进的基于信息熵约束和KAZE特征提取的预处理算法。首先采用非重叠滑动窗口遍历遥感图像并分割窗口, 计算分割后窗口区域的信息熵。然后,根据获取的信息熵形成的直方图, 选取适当阈值来保留具有高信息熵的图像局部区域用于KAZE算法特征提取。最后, 采用RANSAC算法去除误匹配以优化匹配结果。在SPOT、高分二号等卫星数据上的实验结果表明, 本文算法相比于KAZE算法的特征点匹配精度分别提升了0.2%和0.3%, 算法运行时间分别降低了70%和53%。