群组行为识别是对个体的共同行为进行识别。群组行为与群组状态密不可分，也与群组内个体时空特征息息相关，时空信息既能描述空间语义信息，更能反映行为的动态变化情况。针对有效精细的时空特征提取问题，本文提出了一种基于注意力机制和深度时空信息的群组行为识别方法。首先将 ShuffleAttention引入双流特征提取网络中，有效提取个体外观和运动信息。其次使用改进 Non-Local网络提取深度时序信息。最后将个体特征送到图卷积网络中进行空间交互信息建模，得到群组行为识别结果。在 CAD和 CAED数据集上的准确率达到了 93.6%和 97.8%，在 CAD数据集上与凝聚群组搜索算法(CCS)和成员关系图 (ARG)方法相比，准确率提高了 1.2%和 2.6%，这表明本文方法能有效提取深度时空特征，提升群组行为识别准确率。

针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题, 提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波; 然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进; 最后,在多目标场景下根据最大互信息准则, 利用改进的交互多模型滤波建立目标函数, 使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明, 使用所提算法可显著降低跟踪误差。

针对主流单阶段实例分割算法因冗余语义信息造成实例掩码缺失和泄漏的问题，提出一个基于语义对齐和图节点交互的实例分割算法。在全局掩码生成阶段，设计一个语义对齐模块，通过全局映射和高斯映射评估语义信息对全局和局部语义完整性的影响，从而对冗余语义信息进行抑制。此外，在实例掩码组装阶段，设计一个图节点交互模块。该模块通过对特征图进行图结构数据变换和图节点信息交互，提取拓扑图的空间特征，补充了掩码组装信息，进一步提高了实例掩码的准确度。实验结果表明，所提算法在MS COCO数据集上实现了38.3%的平均精度均值（mAP），与其他先进算法相比，有很强的竞争力。

在基于生成对抗网络的红外与可见光图像融合中，针对融合结果中不同物体之间边缘模糊、源图像信息提取不足和融合信息不平衡等问题，提出一种基于自适应特征增强和生成器路径交互的深度融合方法。首先，自适应增强块根据权重图锐化源图像中不同物体的边缘信息，在自适应调整的特征增强损失与强度损失及梯度损失联合约束后，融合图像的对比度与纹理细节可以同时得到增强。其次，生成器路径交互结构在两条主路径之间增加交互卷积层以充分提取源图像信息，采用密集连接的卷积网络可以加强特征图的传输。此外，以主辅思想设计的内容损失函数和网络结构中引入的双鉴别器保证了融合结果中对比度与纹理细节的平衡。实验结果表明，所提方法的融合结果无论是在主观视觉评价还是客观定量评价方面都非常有竞争力，并且与其他方法相比，所提方法的运行速度最快。

行人轨迹预测能够有效降低行人轨迹突变造成的碰撞风险，在智能交通及监控系统等领域有着广泛应用。目前已有的研究大多利用无向图卷积网络对行人间的社会交互关系进行建模，这种方法缺少对行人隐藏状态关联性的考虑，容易产生行人间的冗余交互。针对这一问题，提出一种基于注意力机制和稀疏图卷积的行人轨迹预测模型（DASGCN），通过构建深度注意力机制，捕捉行人间运动隐藏状态的关联性，从而准确地提取行人运动状态特征。进一步提出自调节稀疏方法，减小冗余信息带来的运动轨迹偏差，解决行人密集无向交互的问题。将所提模型在ETH和UCY数据集上进行验证，其平均位移误差（ADE）和最终位移误差（FDE）分别达到0.36和0.63。实验结果表明，DASGCN对行人轨迹的预测能力要优于传统算法。

美国地质调查局(USGS) 2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature, LC2L2ST), 但目前还鲜有该地表温度产品的相关研究报道。 由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据, 因此有必要对该产品进行适时的评估。 在同类遥感卫星产品中, MODIS地表温度产品的质量最被广大用户认可, 应用也最为广泛, 因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比, 以评估新产品与MODIS地表温度产品的一致性。 分别选取了我国的不同地区(福州、 太湖、 银川、 敦煌)作为试验区, 以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。 影像涵盖植被、 水体、 建筑、 荒漠等地物以及不同的季节。 在试验区影像上选取一系列均质样区(ROI), 通过各样区的地表温度均值散点进行拟合回归分析, 研究二者地表温度间的差异及定量关系, 并提出彼此转换的模型。 结果表明, Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性, 4个试验区的决定系数(R2)皆大于0.98, 集成4个试验区的总R2也接近0.98; 但LC2L2ST比MODIS的地表温度平均高0.90 ℃(RMSE=2.29 ℃)。 分析发现, 二者地表温度数据间的差异与其在空间分辨率、 观测角度、 地物类型和季节的不同有关。 从不同地物和季节来看, LC2L2ST在晚秋和冬季略低于MODIS的地表温度, 而在夏季极端高温的城镇、 荒漠地区则明显高于MODIS的地表温度, 且偏差可近7 ℃。 总的看来, Landsat新型地表温度产品与MODIS同类产品的相关性显著, 但在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。 鉴于两种地表温度数据产品仍存在着一定差距, 因此二者如要协同使用, 需要进行转换。 本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程, 并通过验证发现, 经转换后的两数据差异性得到大幅缩小。 因此, 必要的数据转换有利于二者数据的协同使用, 可为长时间序列的地表温度变化监测提供连续的遥感数据。

针对相控阵雷达在多目标跟踪过程中的波束调度管理问题, 以及传统的波束调度问题中仅优化所有目标中误差最小的目标, 面对高机动目标会导致一些误差较大的目标不收敛甚至丢失的问题, 提出一种基于最大平均协方差的雷达波束调度算法, 并结合交互式多模型滤波(IMM)算法和相控阵雷达无惯性采样的优势, 实现对多目标的稳定跟踪的波束调度, 并探究期望协方差与过程误差协方差(噪声误差)对跟踪过程的影响。仿真实验表明: 该算法可以有效实现多个高机动目标的协方差保持在期望范围内以及实现动态收敛, 并可以通过调节期望协方差与过程误差协方差来影响跟踪过程的置信度与收敛速度, 实现多目标稳定跟踪。