随机奇异值分解（RSVD）在数据压缩、信号处理和图像降噪等方面具有广泛的应用，但日益剧增的矩阵规模对传统计算平台提出了更高的内存需求。为此，提出了基于空间光计算的RSVD方法。利用复杂介质的固有性质将矩阵降维，不再需要生成和存储随机高斯矩阵，能够有效降低RSVD的计算开销。实验证明，在采样率为0.2、宏像素块维度为10×10、选用220目毛玻璃作为散射介质的情况下，所提方法能够对维度为80×80的矩阵实现RSVD，其相对误差小于0.1，与传统方法相比，有效降低了RSVD的时间复杂度和空间复杂度。最后，通过图像压缩验证了所提方法的效果，所提方法为进一步研究大规模图像矩阵算法提供了基础。

根据目前摄像机位姿估计应用的实时性要求, 针对RPnP算法在利用最小二乘误差求解时无法得到唯一解的问题, 提出了一种改进自适应加速RPnP算法。在计算误差最小二乘时加入更多的限制条件, 确定了输出解的唯一性; 随后计算对应的摄像机外参数, 代替每个极小值重投影误差的计算和比较过程, 节省了大量位姿求解的时间; 最后自适应地将原算法和改进后的算法相结合, 使得输出结果最优化。实验证明, 该方法可以大大降低算法的时间复杂度, 并且运行时间受点数影响极小, 可以较好地应用于实时性要求高的场景。

针对嵌入式平台往往算力受限的应用背景, 提出了一种低时间复杂度的、适用于复杂场景的目标跟踪算法——CTSTC算法。算法由自适应更新的时空上下文目标跟踪环节和自适应更新的压缩感知目标辅助定位环节两部分构成, 当时空上下文跟踪结果不可靠时, 启动压缩感知目标辅助定位环节, 如果辅助定位后的结果可靠, 则采用辅助定位结果校正时空上下文跟踪环节。算法运行速度与时空上下文算法(STC)接近, I5CPU下测试可达每秒1 577帧, 远高于其他常用算法, 是一种运算速度极高的目标跟踪算法, 但算法在复杂环境下的鲁棒性却有所提升。使用OTB2013数据集进行测试, 较STC算法, CTSTC精度提升12.8%, 成功率提升27.5%。算法在以DM6437为核心的小型目标跟踪系统上进行测试, 可以实现实时稳定跟踪。

为了减少激光半主动**中测量光学器件光斑点坐标时噪声和干扰对探测精度影响、增加脉冲信号的测量带宽、提取信号的有效值, 同时克服串行快速傅里叶变换(FFT)运算耗时及时间复杂度较大的问题, 基于多核和并行架构的SoC-FPGA平台以及OpenCL软件, 提出了实现并行FFT的计算方法。结果表明, 利用该方法可使FFT(1-D)的时间复杂度下降到原来的1/Q, 得到了较好的加速效果;通过3种平台(先进精简指令集微处理器、数字信号处理器和片上系统现场可编程门阵列)的运算耗时实验对比, 该算法运算耗时为6.0449ms(1-D 4096点), 要比同点数其它两种平台运算耗时少。并行FFT算法不仅满足激光半主动导引头信号实时性的要求, 而且可以达到去噪的效果, 能有效地降低噪声和背景光的影响。

分析了快速傅里叶变换(FFT)在光频域反射仪(OFDR)频谱分析中应用的局限性，论述了快速傅里叶变换-分段Chirp-Z变换(FFT-SCZT)算法的不足。提出了一种基于改进的遗传算法(IGA)和Zoom FFT(ZFFT)的快速高精度频谱分析(FFT-IGA-ZFFT)算法。描述了该算法的计算过程，并推导了算法的时间复杂度。研究结果表明，在同一运算平台下，处理107个OFDR采样数据时，FFT算法耗时3.130 s，FFT-SCZT算法耗时1.993 s，而FFT-IGA-ZFFT算法仅耗时0.525 s即可获得同等精度。FFT-IGA-ZFFT算法在处理速度上具有明显的优势。

针对传统的基于灰度值的匹配算法计算量大、时间复杂度高的缺陷,提出了一种基于灰度统计的快速模板匹配算法,以十字特征直线代替模板进行粗匹配,仅对搜索图中像素点数目较少的一段灰度区域进行匹配,从而大大减小了计算量,使匹配速度得到极大提高.仿真实验证明本算法匹配速度快、较传统的灰度相关算法快了二至三个数量级,具有较强鲁棒性.