红外摄像机虽然能够全天候 24 h工作, 但是相比于可见光摄像机, 其获得的红外图像分辨率和信杂比低, 目标纹理信息缺乏, 因此足够的标记图像和进行模型优化设计对于提高基于深度学习的红外目标检测性能具有重要意义。为解决面向监控应用场景的红外目标检测数据集缺乏的问题, 首先采用红外摄像机采集了不同极性的红外图像, 基于自研图像标注软件实现了 VOC格式的图像标注任务, 构建了一个包含行人和车辆两类目标的红外图像数据集( Infrared-PV), 并对数据集中的目标特性进行了统计分析。然后采用主流的基于深度学习的目标检测模型进行了模型训练与测试, 定性和定量分析了 YOLO系列和 Faster R-CNN系列等模型对于该数据集的目标检测性能。构建的红外目标数据集共包含图像 2138张, 场景中目标包含白热、黑热和热力图 3种模式。当采用各模型进行目标检测性能测试时, Cascade R-CNN模型性能最优, mAP0.5值达到了 82.3%, YOLO v5系列模型能够兼顾实时性和检测精度的平衡, 推理速度达到 175.4帧/s的同时 mAP0.5值仅降低 2.7%。构建的红外目标检测数据集能够为基于深度学习的红外图像目标检测模型优化研究提供一定的数据支撑, 同时也可以用于目标的红外特性分析。

红外偏振成像系统快速发展且应用广泛，但评估其性能的成像系统性能模型发展不足。迫切需要能够与先进的偏振成像系统相匹配的性能模型。利用深度学习网络的训练过程与人脑提取认知信息过程的相似性，本文首次将深度学习方法引入系统性能模型领域，提出了一种基于二维图像的可自动评估系统性能的红外偏振成像系统性能模型。该模型主要包含两个主要模块：退化模块、性能感知模块。在评估一个新的系统时，需要输入高质量的原始图像，并根据系统的硬件参数量身定制成像系统退化模块，退化完成后输入性能感知模块，从而得到最终的目标获取性能。为验证模型有效性，本文基于红外辐射理论自建了面向海面场景的红外偏振数据集，训练网络并进行测试。应用该模型对红外偏振成像系统的性能进行评估，评估结果与主观感知具有较好的一致性。

针对传统LiDAR里程计（LO）测量方法在处理无初值、长序列点云配准时存在精度低、稳定性差等问题，本文引入端到端点云配准网络（HRegNet），提出一种基于深度神经网络的LO测量方法——HRegNet-LO算法，以期实现更加准确、鲁棒的LO测量。所提算法由两个核心模块组成：前端计算和后端优化。在前端scan-to-scan配准中，主要是依据原始点云的3D坐标，采用HRegNet网络，计算出相邻两帧点云的初始转换矩阵，实现LO初始位姿计算；在后端scan-to-map配准中，主要是通过提取特征点构建特征地图，应用迭代最近邻点（ICP）算法，每间隔一定距离对初始位姿进行优化，以减小预估轨迹中的漂移。在Kitti odometry数据集上对所提算法的性能进行了评估，并与LOAM、F-LOAM等算法作对比分析。实验结果表明，所提算法相对旋转、平移误差分别在0.003°/m和1%左右，每帧位姿计算耗时约为100 ms，可以满足LO测量对于精度和实时性的要求。

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。

数据集是众多科学研究得以开展与验证的基础, 学术界和工业界已经联合在许多领域打造了丰富的基准数据集, 但在一些细分研究领域仍然缺少高质量数据。本文介绍了 2个新基准数据集: 内部安全威胁基准数据集和室内人群移动轨迹基准数据集。2个数据集经过精心的场景设计、科学的模型构造, 嵌入了丰富的数据模式和交错的故事情节, 采用程序驱动的合成数据生成方法, 数据类型多样, 规模适中, 有一定的分析难度, 曾被用于中国数据可视分析挑战赛。本文旨在进一步宣传和推广这 2个数据集, 以促进相关领域的科学研究与技术应用的发展。