针对传统探测方式对目标探测不到、看不清、图像轮廓和细节模糊等问题，采用红外与偏振探测相结合方式，通过对红外图像信息和偏振图像信息解算，解决在各种环境下探测不到、看不清的问题。针对目标局部特征提取过程数据量大、提取速度慢等问题，提出了一种改进的深度学习偏振图像局部特征提取SIFT算法。实验结果显示，该算法结合偏振成像和深度学习的优势，实现在简单或复杂背景下目标的特征快速提取，该算法对偏振图像局部特征提取速度快、提取精度高。该算法为目标的分类、识别与跟踪技术奠定理论基础。

针对目前使用较多的尺度不变特征转换算法在提取图像特征向量时因数量较多、维数较大造成匹配时计算量过高、匹配过程中约束条件过于单一、误匹配率较高等问题, 提出一种改进的匹配算法。针对特征描述的问题, 采用子模式独立成分分析法算法对特征向量进行降低维数处理, 减少了特征向量的数量和维数; 针对误匹配率较高的问题, 在约束条件中加入方向约束, 即通过特征向量的方向和欧氏距离进行两次匹配, 减小误配率; 在匹配时通过粒子群算法寻找函数的极值, 以减少该算法的时间消耗。实验对比结果表明, 改进的匹配算法有效地提高了匹配的准确率。

在数字散斑相关测量方法中, 可靠的变形初值估计是获得亚像素精度的关键。利用标志点匹配技术, 提出了一种新的变形参数初值估计法。该方法在散斑上粘贴反射系数极高的圆形标志点, 为消除散斑背景对标志点提取的影响, 提出一种改进的尺度不变特征转换算法, 将极值点检测约束在显著的边缘区域, 从而大大减少冗余特征点的提取, 最后通过单应性变换得到全场变形, 进而使得感兴趣区域中各像素点快速完成初值估计。制作散斑板子进行实验验证, 结果表明, 该方法得到的变形初值, 只需要3~4次迭代就能够使亚像素迭代收敛, 并获得准确、可靠的测量结果。

高分辨率光学对地观测敏捷卫星自主任务规划需要对成像目标区域上空云层进行在轨提前探测，以修正成像时间窗，提高卫星使用效能。其中云高度是必不可少的信息，提出了一种用于敏捷卫星自主任务规划的云顶高探测方法。根据不同角度的遥感图像对之间云层以及地面匹配关系的差异，以地面为基准，求出图像间云层对地面的投影偏差，再利用几何关系，计算云层云顶高度。仿真模拟实验的结果表明本文算法探测云顶高与实际云顶高差距小于1 pixel，并且在图像间发生旋转、仿射等变换的情况下依然有稳健的表现。误差分析给出了算法相对误差随成像角度的变化趋势。多角度成像分光辐射度计图像处理结果表明该算法在实际应用中性能良好。

提出了一种基于改进仿射-尺度不变特征转换(ASIFT)特征的监控图像拼接算法, ASIFT特征比传统的尺度不变特征变换(SIFT)算法具有完全的仿射不变性, 在低重叠图像匹配上, ASIFT算法能够检测到更多准确的特征点, 满足拼接要求。实验结果表明, 该算法在视频监控系统中具有很强的实用性。

在一般的红外图像拼接过程中，采用传统随机抽样一致(RANSAC)方法，耗时往往会稍长。为了缩短图像拼接所耗费的时间，提出了基于尺度不变特征转换(SIFT)和改进RANSAC 的图像拼接方法。先通过SIFT 得到特征点和特征描述，然后用改进的RANSAC 对不匹配的特征点进行剔除，通过得到的变换矩阵完成图像的融合。在改进RANSAC 中，设置0.95 和0.85 两个阈值，少量迭代后，选择跳出循环、重新选择或者计算出新的迭代次数，新的迭代次数必定比传统迭代次数小，因而达到减少时间的效果。红外图像拼接后，把实验结果与采用传统RANSAC 算法的结果进行多方位比较，可以发现本文方法能够达到减少时间的目的。

在分析了尺度不变特征转换算法特点的基础上提出了一种近似尺度不变特征转换算法，该算法改变了传统尺度不变特征转换算法的框架，将尺度不变特征转换描述符看作是一种特殊的Harris算子，该算法既保留了尺度不变特征转换描述符的优点又降低了计算量.另外，为了提高特征匹配的精度，给出了一种新的特征点对提纯算法.实验结果表明，近似尺度不变特征转换算法在不影响匹配性能的前提下大大缩短了处理时间，经过提纯后的特征点对匹配性能显著提高，最终得到的全景图像过渡平稳，重叠区域没有显著的痕迹.