红外小目标检测在红外目标搜索跟踪等应用中发挥着重要作用。文中提出一种二维经验模态分解与多尺度斑块对比度算法相结合的红外小目标检测算法。首先，利用二维经验模态分解将红外图像分解成不同尺度的模态分量，再将低频模态分量去掉进行图像重构，实现对背景杂波的抑制。然后，将重构图像做为多尺度斑块对比度算法的输入，生成目标结果图。最后，对目标结果图进行自适应阈值分割，检测出真实的红外小目标。实验仿真结果表明，该算法与现有算法相比，在不同背景下能够有效抑制背景对目标的干扰，具有较高的检测率，验证了该算法的有效性和鲁棒性。

针对探测波段为3.7~4.8 μm的中波红外图像和探测波段为8~14 μm长波红外图像融合过程中存在场景对比度低, 显著性目标不够凸出, 伪影引入严重的问题, 采用快速自适应二维经验模态分解(FABEMD)对红外中波和长波图像进行多尺度分解以得到二维内蕴模函数(BIMFs)和残余分量(Residual)。 对于每一层内蕴模函数选用改进的局部能量窗口融合规则, 首先配置好加权算子以增加区域窗口中心像素的能量占比; 选用不同的加权算子, 经实验验证能有效突出红外中波和长波图像的能量特征信息; 其次充分利用内蕴模函数的相位信息, 当相位相反时, 采用能量加权平均的方式, 以解决融合系数的正负符号极性难以确定的问题; 当相位相同时, 判断二者的能量差距并依据差距大小选择设定的融合规则, 融合规则基于红外中波和长波图像的灰度差异特性设定。 对于残余分量则利用红外中波图像和改进区域能量窗口的最大对称环绕显著性权重图指导基础层系数的融合, 自适应的局部环绕窗口充分利用了低频显著性信息, 对无用背景的抑制效果也相当出色, 能够在复杂背景图像中突出显著性对象, 最终得到细节信息丰富, 对比度明显的指导图像。 最后通过FABEMD的逆变化重构过程得到融合图像, 对4组不同背景、 不同大小的红外中长波图像进行主观和客观性能评价, 4组图像均来自多波段红外采集系统且都经过严格配准并和7种相关算法进行对比实验, 在主观性能上显著性对象突出、 清晰度度高; 客观性能上在平均梯度和空间频率这两个评价指标上性能优异, 验证了该算法的有效性。

提出基于复数二维经验模态分解（C-BEMD）的合成孔径雷达（SAR）图像目标识别。C-BEMD作为传统BEMD的复数域推广，能直接处理原始SAR图像（包含幅度和相位信息）。采用C-BEMD对原始SAR图像进行分解，获得多层次复数内蕴模函数（BIMF），反映目标时频二维特性。各层次BIMF既有独立描述能力，反映目标不同类型的特征；同时也具有内在关联性，即反映同一目标的固有属性。为此，分类算法基于联合稀疏表示设计，可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证，结果反映其在标准操作条件（SOC）和扩展操作条件（EOC）均可保持可靠的识别性能。