对于传统的Fabry-Perot腔激光器，光子在增益介质中沿任意方向传播。在腔内，只有沿着腔的轴线来回震荡的光子，达到一定的阈值后可以产生激射效应。然而，对于入射方向偏离反射镜腔壁的光子将从腔中耗散出去，从而使得激射效率较低。为了解决上述激光器所面临的缺陷，利用等效折射率为负1的负折射材料和零折射率材料组成一个双层结构作为Fabry-Pérot腔壁。对于此腔，以不同路径入射于腔壁的光子，都可以重新汇聚到原子所在的位置。经过多次正反馈，最终以垂直于腔壁的方向辐射出去，避免了光子在偏离激射方向上的耗散。此外，该腔的聚焦效应与准直效应与原子位置无关。随后，通过二维光子晶体分别实现了由0与-1等效折射率光子晶体组成的反射壁，当在腔中引入增益材料时，可以观察到明显的激射行为。与单个零折射率材料构成的腔相比，该腔的阈值更低，发射强度更大，从而提高了激射的效率。

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性，提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点，在YOLO检测框架的基础上，通过减少下采样次数，结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络，同时调整检测输出层数量，通过信息复用提高特征利用效率。实验结果表明，本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度，精度和召回率分别为91.9%和94.6%，平均准确率(AP)值达到92.6%，检测速度达到170 f/s，满足实际应用中实时检测的需求。

针对由于视差变化而导致的红外视频稳像技术难题，文中提出了一种基于联合相机路径的红外视频稳像算法，该算法主要包括：预处理、联合相机路径求解、多路径优化、运动补偿四个步骤。首先，要对红外图像进行直方图均衡化、特征点提取和匹配处理、预映射。接着，要将每帧图像分为m×n个网格单元，利用基于网格的映射运动表征，将每一帧中对应网格得到的局部单应性矩阵进行相乘得到联合相机路径。然后，对联合相机路径采用“多路径优化”策略进行平滑处理。最后，利用平滑后路径进行运动补偿稳定视频。实验结果表明，该方法能有效地处理由于视差而引起的非线性运动，相比传统的稳像算法效果更好，当特征点存在部分遮挡时，也能取得不错的稳像效果。

为提高图像语义分割准确程度，针对场景解析中类别边缘分辨清晰度，提出了一种基于多路径网络的权值调整图像语义分割算法。通过引入多路径网络和权值调整并对图像场景中的物体类别具有的特征进行分析，提高图像的语义分割的准确程度；通过采用ADE20K数据集进行训练，提高边缘信息的分割效果，使模型具有更好的泛化能力。此算法加快了网络收敛速度。