传统遥感图像融合方法没有充分利用低分辨率多光谱图像本身的空间信息。针对这一问题，提出了一种基于低分辨率多光谱图像超分辨率处理的遥感图像融合方法。通过对低分辨率多光谱图像进行基于稀疏表示的图像超分辨率处理，在保持其光谱信息的基础上增强其空间信息；利用静态小波变换对增强的多光谱图像的亮度分量Y 和全色图像进行融合；由YUV 逆变换得到融合多光谱图像。在真实遥感图像上进行的实验结果表明该算法能有效提高融合图像的空间细节信息，同时保留了光谱信息，对比实验验证了该方法的优越性。

在色度、饱和度、纯度(HSV)彩色空间，结合简化脉冲耦合神经网络(S-PCNN)与二维离散静态小波(SWT)提出一种有效的遥感图像融合算法。将多色光谱转换到HSV 色彩空间，对多色光谱的V 分量与全色光谱进行二维静态小波分解，再将分解后的高频系数输入S-PCNN 模型进行融合。低频部分进行第二次小波分解并采用不同规则将其融合，对融合的小波系数进行小波逆变换得到融合的V 分量，并将多色光谱的H、S 与融合后的V 分量转换到RGB 空间。通过一组常用的遥感图像融合实验，表明本文算法的融合效果优于传统算法，且融合图像细节明细、色彩保留较好，是一种有效的遥感图像融合算法。

以252Cf中子源驱动噪声分析测量法为依据，利用中子脉冲信号自相关函数与被测核材料(252U)质量的关系，设计了一种基于神经网络的核材料质量识别方法，探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响，利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别，并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验，结果表明：在理想实验条件下，平稳小波变换抑制了统计涨落对信号自相关函数的影响；分布式Elman神经网络能够较好地识别自相关函数的特征，分辨不同质量的核材料，平均识别误差小于0.1。

针对同一场景的多聚焦图像融合问题, 提出了一种新的基于提升静态小波变换(Lifting Stationary WaveletTransform, LSWT)的多尺度积图像融合算法。该方法在选择融合图像的低频子带系数时定义了一种新的改进拉普拉斯能量和(Sum Modified-laplacian, SML), 设计了一种基于拉普拉斯能量和的加权与选择相结合系数选择方案；当选择高频子带系数时, 根据多尺度积具有放大图像边缘特征弱化噪声的特点, 在LSWT 多尺度积的基础上给出了局部拉普拉斯算子和(Local Modified Laplacian, LML)的概念, 并提出了基于多尺度积局部拉普拉斯算子和的系数选择方案；实验结果表明, 该算法不仅能充分提取源图像信息注入到融合图像中, 而且能有效抑制噪声的影响, 得到比传统融合方法更优的视觉效果。

提出了一种新的基于提升静态小波变换与自适应PCNN 相结合的图像融合算法。该方法定义一种图像单个像素的清晰度作为PCNN 的链接强度，使得PCNN 能根据像素清晰度的变化来自适应地调整链接强度的大小，接着对图像经提升静态小波分解得到的低频子带系数的改进拉普拉斯能量和及高频子带系数的单个像素的灰度值，分别作为自适应PCNN 神经元的外部输入，并根据点火次数来确定图像融合系数。最后由提升静态小波变换的逆变换得到融合图像。实验表明，该方法在视觉效果和客观评价指标上都优于传统的基于小波变换、提升静态小波变换、提升静态小波-PCNN 的图像融合算法。

采用水平衰减全反射傅里叶红外光谱法(HATR-FTIR)测定罂粟和虞美人的FTIR, 由于两者为同科同属中药材, 所含化学成分较为相近, 为了更好地突出罂粟和虞美人在FTIR上的差异, 并据此进行正确分类识别, 利用离散平稳小波变换(DSWT)分别对罂粟和虞美人的种皮和种仁的FTIR进行若干尺度的变换, 从中选择2个最具代表性的尺度作为特征提取的尺度空间。 根据罂粟和虞美人的FTIR分布情况, 确定将DSWT域内2个尺度的FTIR分别划分为2个特征区域并以每个区域内的光谱能量作为特征参数。 从而构造一个包含8个特征参数的特征向量, 将这个特征向量输入到径向基函数神经网络(RBFNN)进行训练, 从而达到正确识别罂粟和虞美人的目的。 实验中共取罂粟和虞美人的FTIR数据128对, 其中训练样本78对, 测试样本50对。 实验结果表明利用文章的方法对罂粟和虞美人的正确识别率分别为99.8%和99.9％, 从而验证了方法的有效性。

在分析固定图案噪音频率分布的基础上，提出了一种利用平稳小波进行非均匀性校正的方法.选择合适的小波函数对红外图像序列进行分解，从而估计出非均匀性校正的增益和偏置系数，最终实现红外焦平面阵列的非均匀性校正.利用小波的多分辨性质，提高了低频部分的频率分辨率，有效的抑制了一般基于场景统计校正算法中易于出现的“人工鬼影”现象.用真实的红外图像序列进行了处理，实验证明了算法的优越性.

针对目前图像去噪算法中,消除噪声的同时又破坏边缘细节信息的问题,本文提出了结合边缘检测及邻域加窗的新算法。该算法采取平稳小波基以保持相位不变性,对低频和高频子带进行边缘检测,并将检测后的边缘信息选择后融合,即可得到原图像近似的边缘信息。依据小波方向性特点和层内相关性原理,对不同的子带在非边缘信息处采用不同的模板进行加窗处理。实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的细节,较好地复原了图像。

针对红外图像普遍存在的信噪比低、目标与背景对比度低、图像边缘模糊、边缘检测难等特点，从人眼视觉仿生的角度，提出一种基于人眼微动机理的小波域红外图像边缘检测新方法。首先对红外图像进行静态小波分解，得到图像在小波域的系数矩阵。再对小波系数在水平、垂直、45°斜向、135°斜向共四个方向进行微动，生成小波域综合移动阵序列；计算移动阵序列与原小波系数的差值；引入竞争机制，得到小波域反映图像边缘信息的系数矩阵。最后，设定阈值进行阈值化、细化处理，根据图像静态小波域与空域的对应关系，检测出红外图像的边缘。实验结果表明，该算法在红外图像边缘检测准确性方面具有明显优势。