针对传统的相关滤波算法在红外目标跟踪过程中, 目标被完全遮挡后跟踪失效的问题, 提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法。首先使用跟踪器跟踪目标, 计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失。然后当目标被遮挡或跟踪丢失时, 停止更新跟踪器, 由于目标被遮挡后再次进入画面的位置可能会发生巨大变化, 并且跟踪器在整个图像中搜索目标的速度特别慢, 因此在不降低跟踪精度和速度的情况下, 后续帧中采用了检测器检测目标并得到多个目标框。利用检测器得到的目标框, 分别利用跟踪器进行相关滤波, 针对每个目标框得到一个峰值响应强度, 其中峰值响应强度最大且超过经验阈值的目标框即为重新进入画面的目标。通过与多尺度相关滤波算法比较, 所提算法在满足实时跟踪的情况下, 能有效地解决红外目标被遮挡的问题, 具有更高的鲁棒性和精确度。

光场相机通过单次曝光同时从多个视角采样单个场景，在深度估计领域具有独特优势。噪声场景下的深度获取是光场图像深度估计的难点之一。传统针对噪声场景的深度获取方法大多仅适用于非遮挡情况，无法较好处理包含遮挡区域的噪声场景。针对含遮挡的噪声场景深度估计问题，提出了基于内联遮挡处理的深度估计方法。该方法采用内联遮挡处理框架，通过将遮挡处理集成进抗噪成本量中，在保证抗噪性能的同时提升算法的抗遮挡能力。在成本量建立完成后，为进一步滤除剩余噪声，采用提出的适应遮挡的多模板滤波策略对成本量进行遮挡感知优化，该策略通过为不同方向的遮挡分别设计滤波模板，在滤波的同时能较好保留图像的边缘结构，有效改善了传统滤波算法无法保留遮挡边界的问题。实验结果表明，相比其它先进深度估计算法，该方法在高噪场景下具有显著优势，并能更好处理噪声场景深度估计的遮挡问题。

遮挡问题是现有多摄像机测量网络在进行空间交会测量时存在的一个重要问题。当测量过程中有遮挡发生时，某些特征点可能仅能被一个像机观测到，传统的前方交会测量方法将不再可行。为了解决这一问题，通过特征点的几何约束来求解特征点位在全局坐标系下的粗略位置作为进一步迭代优化的初值，并根据可用的特征点（可以是能被所有像机观测到，也可以是仅被部分像机观测到）的多光线约束来建立最优化目标函数，通过迭代算法最终解算得出被测目标可靠的位置姿态。实验结果表明，该方法在解决实际应用中遮挡问题的同时，也能提供较高的测量精度。

针对多目标跟踪过程中存在的遮挡问题，提出了一种固定摄像机场景下的多目标实时跟踪算法。提出基于鬼影判别与背景模型选择更新的背景差法检测运动目标，建立一种融合色度与边缘特征的目标模型.通过定义稳定跟踪队列、临时跟踪队列、跟踪丢失队列以及候选跟踪队列等跟踪器队列，提出基于多级关联匹配的策略实现多目标跟踪遮挡处理，针对新目标、目标合并以及目标消失分别提出判别及跟踪策略。实验结果表明,运动目标检测方法能够抑制鬼影,防止缓慢运动的目标融入背景;同时,验证了目标模型的稳健性，以及跟踪算法能够在遮挡、交错等复杂情形下有效地跟踪多目标。

针对复杂场景中目标受光照、自身形变、遮挡等影响，本文以混沌粒子滤波为框架，建立多特征似然模型，进行目标遮挡处理，提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法。本算法中利用混沌优化搜索优化粒子，很好的克服了退化现象，减少了计算量，在多特征似然模型建立中，对特征选择做了改进，使算法鲁棒性更好，并在算法中添加了遮挡处理。理论数据及实际场景的仿真结果表明，本文提出的算法鲁棒性好且具有较强的抗遮挡能力。