为了改善红外与可见光图像融合的视觉效果，通过潜在低秩表示将两种不同源的图像分别分解为各自的低秩分量和去除噪声的稀疏分量，采用KL变换确定权重对稀疏分量进行加权融合得到融合稀疏图。再对双判别器的生成对抗网络重设计，借助VGG16网络提取两种源的低秩分量特征作为该网络的输入，通过生成器和判别器的博弈来生成融合低秩图。最后，将融合稀疏图与融合低秩图进行叠加获得最终的融合结果。实验结果表明，在TNO数据集上，与所列的5种先进方法相比，本文所提出的方法在熵、标准差、互信息、差异相关性总和及多尺度结构相似度5种指标上均获得最优结果，相比于次优值，5种指标分别提高了2.43%，4.68%，2.29%，2.24%，1.74%。在RoadScene数据集上只在差异相关性总和及多尺度结构相似度两种指标上取得最优，另外3种指标仅次于GTF（gradient transfer and total variation minimization）方法，但图像视觉效果明显优于GTF方法。综合主观评价和客观评价分析，本文所提方法确实能获得高质量的融合图像，与多种方法相比具有明显的优势。

提出了一种基于潜在低秩表示与交叉双边滤波的图像融合方法。先以潜在低秩表示方法将源图像分解为低秩部分图像和显著部分图像，并对低秩部分进行加权平均计算，显著部分求和处理，随后将计算的低秩部分与显著部分作为交叉双边滤波器的输入，通过测量细节强度获得对应权重，并利用交叉双边滤波器中的权值计算加权平均方法融合输入的图像，结合高斯滤波平滑处理，产生第一部分的图像。其次，源图像利用CBF获得融合图像，然后经过高斯滤波处理获得第二部分图像。最后将两部分进行加权求和获得最后的融合图像。实验对比证实，该方法降低了融合图像的灰度变化率，提高了融合图像的亮度和对比度，使得融合图像具有较好的可观性。

为提高融合图像的可视性，解决传统红外与可见光图像融合算法中存在的边缘特征缺失、细节模糊的问题，提出了一种潜在低秩表示框架下基于卷积神经网络结合引导滤波的红外与可见光图像融合算法。该算法首先利用潜在低秩表示对源图像进行分解，得到源图像的低秩分量和显著分量。其次，利用卷积神经网络根据源图像的特征信息，得到权值图。再次，通过引导滤波算法对权值图进行边缘锐化，然后再将优化后的权值图分别与源图像的低秩分量和显著分量融合，得到融合图像的低秩分量和显著分量。最后，将融合图像的低秩分量和显著分量叠加，得到最终的融合图像。实验结果表明，该算法在主观评价和客观指标上均优于传统的红外与可见光图像融合算法。

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题，提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先，通过3D卷积自编解码器提取高光谱影像的空谱特征，并针对高光谱图像的局部区域强相关性，设计了一种新的损失函数来约束中心像素和周围像素，以提取判别性较强的特征图；然后，针对所提取的特征图，通过基于密度的空间聚类算法构建背景字典，并利用低秩表示分离出异常区域；最后，融合由3D卷积自编解码器得到的重构误差和异常区域检测结果，得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性，在两个真实的机场高光谱数据集上进行飞机等目标检测实验，ROC、AUC量化指标和主观分析等实验结果表明，与其它6种异常检测算法相比，本文算法具有更高的异常目标检测精度。