作为计算机视觉领域的热门方向之一，运动目标检测具有很高的理论研究价值和很广的实际应用空间。传统视觉背景提取器（Visual Background Extractor,ViBe）目标检测算法实时性高且内存消耗低，但存在受光照影响大、不能有效抑制拖影区域、无法消除阴影以及检测图像内部空洞等问题。鉴于以上不足，提出3点针对性改进策略：(1)优化算法核心参数。筛选最优值来替换以往经验值，从而提高算法性能，增强算法适应性。(2)引入光强检测算子。阈值半径随光强变化自适应，避免因光照变化而出现拖影区域。(3)增加阴影检测模型。利用感兴趣区域（Region of Interest,ROI）像素分布确定阴影位置，结合运动目标自身特性分割出目标区与阴影区。仿真实验结果证明：改进型ViBe算法不仅能够完整地检测、抓取运动目标，而且还可以有效地抑制拖影区域并消除目标阴影。

近年来，我国卫星高光谱技术发展迅猛，高分五号、高分五号02星、资源一号02D星、资源一号02E 星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响，如何准确识别成为保障后续应用的关键，Fmask 算法作为国内外诸多算法中的典型代表，已被 Landsat 和 Sentinel 业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低，例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此，本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段，提出了一种适合高光谱卫星的Fmask改进算法，并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验，结果表明：云识别的用户精度和生产者精度可达91.26%和99.97%，云阴影识别精度达到78.66%和79.41%，明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工程化实现的特点，可用于支撑国产高光谱卫星数据的业务化处理。

为研究飞秒激光加工硬脆透明材料时存在的“微裂纹”与“诱导条纹”等共性工艺问题，利用飞秒时间分辨泵浦探测阴影成像技术，对飞秒激光多脉冲烧蚀石英玻璃过程中的电子动力学过程进行成像，分析了激光脉冲电离材料初期（700 fs之前）等离子体丝的演化情况。多脉冲诱导微结构的存在使成丝区域分布在微结构的两侧与光脉冲传播的轴线方向，前者主要是由微结构侧壁对光脉冲的折射造成的，而后者则是由微结构底面与侧壁形貌不同导致的光程差引起的。实验结果揭示了多脉冲加工过程中脉冲串诱导微结构对后续光场的重塑效应，该效应影响了等离子体成丝区域与能量沉积的分布，这是共性工艺问题产生的核心机制。

针对表面网格重建算法难以得到较好的纹理细节这一问题，提出一种融合自阴影重建（SFS）的表面网格优化算法。以表面网格模型作为初值。然后将该网格顶点投影至可视影像上获得其对应的SFS深度值。进而使用光度一致性约束算法融合SFS约束算法作为数据项、模型自身的曲率约束算法作为平滑项，共同组成网格顶点优化能量函数。最后通过梯度下降法最小化能量对网格顶点进行调整，达到优化网格模型的目的。所提算法在DTU数据集中，相比输入的网格模型精度提高了14.5%，相比现有主流表面网格优化模型算法精度提高了1.12%。实验结果表明，所提算法可以有效修正表面网格模型的纹理细节、提高网格模型精度，从而改善重建模型效果。

针对阴影造成的低光照、低对比度和高噪声等问题，为提高阴影下目标的检测、识别精度，借鉴生物偏振视觉机理，在偏振距离理论及算法的基础上，提出一种与“色调-饱和度-强度”颜色空间（HSI color space）融合的偏振距离强度（PDI）模型。该模型利用偏振角信息作为估算方式设定阈值范围，将偏振距离信息与原始光强信息融合为新的强度通道，并与原始色调及饱和度信息融合，最终获取PDI模型映射结果。搭建实测实验装置，并开展4组对比实验。结果表明，与其他3种现有目标增强算法相比，所提算法在灰度对比度、信杂比和Fish距离指标上均取得显著提升，能够使阴影下目标与背景间的差异得到明显提高。

为了提高影像阴影去除的效果，提出一种基于最小噪声分离（MNF）和生成对抗网络（GAN）的影像阴影去除算法。它以GAN作为基本框架，在生成器和判别器中分别引入条件信息，采用端到端共同学习的多任务模式。生成网络采用编码解码结构，判别网络采用马尔可夫判别器结构。此外，此算法使用MNF，将消除噪声的影像灰度化后与阴影影像一起训练，进而恢复无阴影的影像。这样的网络在训练时可以专注于MNF变换后的单独特征嵌入，而非传统的跨任务共享嵌入。实验结果表明，在指定数据集上，所提算法的结构相似性（SSIM）的平均值达0.9780，像素均方根误差（RMSE）的平均值减小到9.8717。在主观感知和客观评价指标上，所提算法的实验结果均优于对比算法。

光伏板阴影不仅会使光伏阵列的光照强度分布不均，降低发电效率，甚至还可能产生热斑效应，损坏光伏电池组件，造成系统故障。为解决光伏板阴影检测中目标密集度高、重叠度大、成本高和实时性差等问题，提出了一种基于RetinaNet算法的CRC-RetinaNet光伏板阴影检测算法。首先，所提算法特征提取网络采用cross stage partial结构，以提升准确率和检测速度；其次，采用循环特征融合结构处理提取到的特征图，以增强所有目标的特征信息；然后，改进算法的激活函数，以增强网络的鲁棒性；最后，使用CIoU损失来提高目标边框回归的定位精度。实验结果表明，所提算法的检测平均精度均值为99.24%，与原RetinaNet算法相比提高了4.02个百分点，可以满足现实环境下光伏板实时检测的要求。