跨模态行人重识别是一项具有挑战性的行人检索任务。现有研究侧重于通过提取模态共享特征来减小模态间差异，忽视了对模态内差异和背景干扰的处理。为此，提出了一种掩膜重构与动态注意力（MRDA）网络，该网络通过重构人体区域特征来消除背景杂波的影响，从而增强网络对背景变化的鲁棒性。此外，该网络结合了动态注意力机制，以过滤无关信息，动态挖掘并增强具有辨别力的特征表示，消除模态内差异的影响。实验结果显示：该网络在SYSU-MM01数据集的all-search模式下的第一个检索结果匹配成功的概率（Rank-1）和均值平均精度（mAP）分别达到70.55%和63.89%；在RegDB数据集的visible-to-infrared检索模式下的Rank-1和mAP分别达到91.80%和82.08%。在公共数据集上验证了所提方法的有效性。

目前多光谱行人检测算法大多对可见光与红外图像融合方法展开研究，但是充分融合多光谱图像所需的参数量巨大，会导致检测速度降低。针对这一问题，提出了一种基于时效性较高的YOLOv5s的多光谱行人检测算法。为了保证算法的检测速度，选用可见光与红外光通道方向上的合并方法作为网络的输入，并通过对传统算法的改进来提升检测精度。首先，用可变形卷积替换部分标准卷积，增强了网络对不规则形状的特征目标的提取能力；其次，用多尺度残差注意力模块替换网络中的空间金字塔池化模块，减弱了背景对行人目标的干扰，提升了检测精度；最后，通过改变连接方式，增加大尺度特征拼接层，提升了网络的检测最小尺度，提升了网络对小目标的检测效果。实验结果表明，改进后的算法在检测速度上有明显优势，并比原算法的mAP@0.5和mAP@0.5∶0.95分别提升了5.1和1.9个百分点。

为解决行人检测任务中低能见度场景下单模态图像漏检率高和现有双模态图像融合检测速度低等问题，提出了一种基于双模态图像关联式融合的轻量级行人检测网络。网络模型基于YOLOv7-Tiny设计，主干网络嵌入关联式融合模块RAMFusion用以提取和聚合双模态图像互补特征；将特征提取部分的1×1卷积替换为带有空间感知能力的坐标卷积；引入Soft-NMS改善结群行人漏检问题；嵌入注意力机制模块来提升模型检测精度。在公开的红外与可见光行人数据集LLVIP上的消融实验表明：与其他融合方法相比，所提方法行人漏检率降低、检测速度显著提高；与YOLOv7-Tiny相比，改进后的模型检测精度提高了2.4%，每秒检测帧数达到124 frame/s，能够满足低能见度行人实时检测需求。

在应急救援和单兵作战等GNSS信号受限且无法建立导航定位基础设施的情况下，提出了基于惯性测量单元(IMU)的行人航位推算技术(PDR)测量行人步态信息，并结合此类任务多人行动的编队特点，利用超宽带(UWB)技术实施编队自组网与网内相互测距，建立PDR/UWB多行人扩展卡尔曼滤波模型(EKF)。通过测距信息对PDR进行约束，有效减缓了PDR定位精度随时间发散问题，实现了多人协同导航。试验表明，基于超宽带的集中式协同导航系统在不依靠基础设施的情况下，编队整体定位性能可提高30%。

为了提升行人重识别算法的检索准确率, 提出了基于软掩膜前景分割和多信息融合重排序的行人重识别算法。通过基于U-Net的软掩膜前景分割算法去除图像背景信息, 同时减缓图像分割边界的突变, 以保留图像中行人的关键信息; 通过基于孪生深度网络的多信息融合重排序算法融合行人图像的多种信息, 提升检索结果质量。实验结果表明, 提出的两种方法是对行人重识别算法流程的有效补充, 可作为提升准确率的有效方法应用于多数现有行人重识别算法中。

针对惯性器件误差建模方法影响其误差补偿准确性进而影响导航系统精度的问题, 提出一种基于器件噪声统计特征还原的惯性器件误差建模方法。首先, 通过功率谱密度建模还原器件高频噪声误差; 其次, 根据低频噪声统计特征用对应的性能计算方法还原低频噪声误差, 既避免功率谱密度建模方法对器件低频噪声表征能力弱的问题, 又避免机器学习方法中前期工作量和计算量大的问题。与已有误差建模方法的对比实验表明: 器件数学模型的输出与其真实器件输出之间误差相比下降了一个数量级; 在行人导航应用中具有更高的器件误差补偿准确度, 补偿后导航位置误差降低了35.261%, 航向角误差降低了31.198%, 有效提升了行人导航系统精度。

针对现有利用可见光与红外模态融合的行人目标检测算法在全天候环境下漏检率高的问题，提出一种基于光照感知权重融合的多模态行人目标检测算法。首先，使用引入高效通道注意力（ECA）机制模块的ResNet50作为特征提取网络，分别提取两个模态的特征；其次，对现有光照加权感知融合策略进行改进，通过设计一种新的光照感知加权融合机制获取可见光与红外模态的对应权重，并进行加权融合得到融合特征，从而降低算法的检测漏检率；最后，将从特征网络最后一层提取的多模态特征和生成的融合特征共同送入到检测网络，完成行人目标检测。实验结果表明，所提算法在KAIST数据集下具有良好的检测性能，在全天候下对行人目标的检测漏检率为11.16%。