为了提高激光雷达测距的动态范围，解决高转速扫描激光雷达测量远距离目标时的脱靶问题，提出了探测器偏离焦平面的方法。对远距离回波脱靶现象、探测器在焦平面径向和轴向上偏离的作用原理、回波光斑在焦平面附近的空间能量分布进行研究。根据目标距离、激光扫描线转速、焦距和离焦量，分析回波光斑中心相对于光轴的径向偏离角和径向偏离量。当不同距离回波的像平面、光学系统焦平面和探测器靶面之间的相对位置变化时，分析了回波光斑尺寸在探测器靶面的变化规律。考虑激光高斯光束的能量分布、光学系统孔径光阑、衍射和离焦的影响，分析了回波光斑在探测器平面的能量分布以及探测器靶面的收光率。最后，通过数值仿真和实际测试验证了探测器在偏离焦平面后对不同距离回波的收光率的变化规律。实验结果表明：在75 Hz四棱塔镜扫描方式下，通过调节径向偏离能测到的最远目标距离从约800 m提高至约1 300 m；通过调节轴向偏离，保证远距离回波收光率基本不变的情况下，5 m目标的收光率可降低约70%。该方法基本解决了远距离回波脱靶问题，提高了测距动态范围。

消偏振分光片是空间光学中的重要分光元件，为了实现780 nm波段激光在大分光比条件下的稳定分光输出，设计并制备了一种高分光比消偏振分光片。使用TFCalc软件仿真设计了双面消偏振分光膜系，通过离子束辅助电子束热蒸镀技术制备了消偏振分光片样品。然后，使用透射电子显微镜、分光光度计对所制备样品进行了测量表征，得到了分光片的实际薄膜结构及透射光谱，光谱结果显示该分光片的透射率接近98%，s偏振光与p偏振光的透射率偏差小于0.3%。最后，搭建测试光路对分光片进行变偏振方向、变波长及长时间稳定性等测试。实验结果表明：该分光片在目标波段内的透射率接近98%，偏振方向大范围变化时透射率偏差小于0.2%，波长在772~792 nm内变化时透射率波动小于0.12%；10 h长时结果显示，当平均时间为100 s时，分光比与透射率的Allan方差分别为1.41×10-3和4.12×10-5。所提出的消偏振分光片具有良好的消偏振性能，可直接应用于光学测试计量和量子传感探测等精密测量领域。

数字微镜器件（DMD）作为一种灵活、可编程、可独立寻址的空间光调制器件，广泛地应用于无掩膜光刻、光束整形、全息成像、共焦测量等领域。在光谱成像领域，DMD能够对成像视场进行精细可控的调制，从而代替传统的机械掩膜版和机械扫描结构。综述了近年来DMD在光谱成像领域的研究进展和应用情况，详细论述了基于DMD的编码孔径和推扫式光谱成像系统的光学系统基本结构及工作原理；梳理了基于DMD的光谱成像系统从哈达玛变换光谱成像到推扫式光谱成像的发展脉络；详细介绍了研究人员为克服DMD微镜的衍射以及像面倾斜等像差所做的相关研究工作。最后，总结了基于DMD的光谱成像技术的独特优势，讨论了基于DMD的光谱成像技术未来的发展方向与应用前景。

为实时检测二维线性模组的运动误差，搭建了误差实时测量系统。该系统由四自由度运动误差测量模块、滚动角误差测量模块和线性光栅尺组成，实现单轴六自由度运动误差测量。基于齐次坐标转换矩阵（Homogeneous Transformation Matrix，HTM）原理构建二维模组的空间误差模型，对功能点的实际空间位置进行表示；完成测量系统标定实验，并基于阿贝-布莱恩原则处理实验数据完成比对实验。最终，测量系统的定位误差、直线度误差和角度误差测量精度分别达到±1.2 μm，±1.3 μm和±1''，并根据空间误差模型分析二维线性模组XZ平面对角线位置的测量误差。结果表明，使用二维线性模组空间误差模型求解后，XZ平面对角线位置的测量误差由68 μm降至13 μm，证明采用该系统进行线性模组误差测量是有效的；此外，因为加载状态下二维线性模组各位置的运动误差会改变，为验证测量系统能够实时测量出线性模组的空间误差变化，在Z轴滑块上加装质量为2 kg的标准砝码进行对照实验。结果显示，在使用二维线性模组空间误差模型求解后，XZ平面对角线位置的测量误差由56 μm降至14 μm。

旋转轴的几何误差直接影响五轴机床的加工精度，但由于其误差项多且高度耦合，因此辨识难度较大。提出了一种工件切削在机测量方法，用于辨识五轴机床旋转轴6项与位置相关的几何误差。设计并加工一种错位塔形工件，它由三层错位叠加的矩形块组成。在工件不同层级的底面与侧面布置测点并进行在机测量，基于空间误差模型推导出每项误差的辨识原理与解析解，并采用蒙特卡洛模拟进行不确定性分析。最后，通过与球杆仪误差辨识方法进行对比验证，线性误差E_XC，E_YC与E_ZC的辨识结果偏差最大为2.7，-1.7与-1.3 μm；角度误差E_AC，E_BC与E_CC的辨识结果偏差最大为1.3″，-0.6″与-2.1″，两者辨识平均吻合度达95.4%。本方法通过工件切削与在机测量，每项误差的辨识原理与解析解形式简单，可辨识实际工况下的旋转轴6项位置相关的几何误差。

面向电动汽车的电池换电需求，对换电站电池包对接中的锁止机构定位问题，提出了一种基于点云分割的电池包锁止机构6D位姿估计方法。该方法使用YOLOv5网络从场景中分割出锁止机构的点云，并使用体素滤波与移动最小二乘拟合进行点云的滤波与平滑；通过引入点云分割网络预测点云标签，为快速点特征直方图特征加入全局语义特征，弥补快速点特征直方图只有点云局部特征的缺陷，并根据该特征进行随机抽样一致性刚体点云配准，估计锁止机构点云的6D位姿，最后使用迭代最近点方法算法校正位姿估计结果。实验结果表明，基于点云分割的锁止机构6D位姿估计算法精度较高，可以克服环境噪声导致的误匹配，精确获取锁止机构位姿，其位姿估计的角度误差可以达到1.90°，位移误差可以达到1.4 mm，RMSE可以达到1.5 mm，为换电站电池对接定位提供了有效的解决途径。

针对元学习少样本分类样本特征鉴别能力不足的问题，提出了一种类内-类间通道注意力少样本分类方法（Intra-inter Channel Attention Few-shot Classification， ICAFSC）。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块，该模块通过类内-类间距离度量计算通道权重实现特征加权，提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题，ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务，并利用这些任务充分训练类内-类间通道注意力模块，促使该模块达到较优的状态。在原型网络的元训练和元测试阶段，ICAFSC冻结类内-类间通道注意力模块的参数，分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明：本文提出的类内-类间通道注意力少样本分类方法与原型网络相比，在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。

高光谱目标检测中背景信息的统计往往受到目标信息的干扰，而高光谱图像中存在的大量混合像元会进一步加深这一干扰。为了准确统计背景信息、显著降低目标像元对背景统计信息的干扰，提出了一种利用光谱解混合的目标检测算法，通过光谱解混合和目标相似性判断，获取目标端元对应丰度系数，并与光谱夹角系数相结合生成合理的背景加权系数，进行加权约束最小能量算子（CEM）目标检测，从而有效提高混合像元的背景信息统计准确度；利用目标端元对应丰度系数和光谱夹角系数生成初步的目标检测结果，与加权CEM目标检测结果相融合进行进一步优化，有效提高算法稳定性，同时再次提高目标检测精度。实验结果表明：对于模拟高光谱图像和真实高光谱图像，本文算法均得到了较好的目标检测效果，算法稳定性较强，且有效提高了目标检测精度，相比传统CEM算法、基于光谱角的加权CEM算法、归一化丰度系数作为目标结果，AUC值分别平均提高了0.071 2，0.031 2和0.015 0，在高光谱应用中具有较强的实用性。

针对光场成像中因硬件限制而造成的光场图像角度分辨率低的问题，提出一种融合3D对极平面图像的光场角度超分辨重建方法。该方法首先将输入图像按不同的视差方向排列分别进行特征提取，以充分利用输入图像的视差信息，提高深度估计的准确性。利用深度图将输入图像映射到新视角位置，生成初始合成光场。为了使重建光场图像能够保持更好的细节信息及几何一致性，先通过水平3D对极平面图像融合重建分支和垂直3D对极平面图像融合重建分支，分别对初始合成光场进行水平融合重建和垂直融合重建，再将两个结果进行混合重建，生成最终的高角度分辨率光场图像。实验结果表明：相比于现有方法，本文方法在合成光场数据集和真实光场数据集上的重建效果均得到了提高，峰值信噪比的提升幅度最高达1.99%，有效地提高了重建光场的质量。

针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状，不同体位所拍摄的CT影像存在较大差异，骨折部位大小不一，以及受到出血部位以及周围组织的干扰，骨折部位的特征提取不充分、骨折部位检测精度不高的问题，设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块，利用密集连接特性提高网络的特征提取能力；采用局部全局注意力模块来提取CT影像的全局信息；构造一个轻量化的多尺度密集块，以较少的参数量提取骨折部位的多尺度特征；在特征增强网络中设计跨维度双向特征融合模块，使得特征图的高度、宽度以及通道之间有所交互，同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性，在自建数据集上进行消融实验和对比实验。实验结果表明，在置信度阈值取0.5时，3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%，99.06%，98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位，辅助医生制定治疗方案。

针对传统人脸识别方法识别性能较差，基于深度学习的方法在非限制条件下识别较为困难，人脸特征区分性弱，识别精度容易受到姿势、表情等方面影响的问题，提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的，在框架中引入改进的VGG11_BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization，BN）技术，在原模型结构的基础上，提出引入CBAM混合注意力机制的特征提取网络；最后，针对目前亚洲人的人脸识别训练较少的情况，采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%，并且在CAS-PEAL-R1人脸数据集上比SRGES，VGG11+siamese算法的准确率分别提升6.05%，6.7%。该算法可以在多因素影响下更好地进行人脸识别验证，具有良好的稳定性。

为了解决编码器-解码器网络结构在目标提取中抑制无关语义、跨越语义鸿沟等问题，以获取更高精度，采用U-Net作为提取特征的主干网络；为了减轻浅层特征与深层特征语义的差异，设计一种融合注意力感知的多尺度语义池化模块（Channel-Spatial-Pyramid， CSP），替代早期层中的跳跃链接。CSP模块从空间与通道两个层面强调更有意义的语义信息，通过4个不同池化核的并行分支提取不同尺度特征，聚合所有分支结果与后期层特征拼接。实验结果表明，CSP-Net在彩色眼底图像视盘分割中的Dice指数可达99.6%，视杯分割结果的Dice指数为92.1%，相比现有算法均有提高。所提出的CSP-Net对于眼底图像中的微小目标提取的有效性及抗干扰性较高，可为青光眼筛查与诊断临床提借鉴。

针对光线在水体中传播会受到吸收和散射影响，仅使用传统的强度相机获取水下图像存在成像结果亮度偏低、图像模糊、细节丢失等问题，将深度融合网络应用于水下偏振图像，即用深度学习的方法将水下偏振度图像与光强图像融合。分析水下主动偏振成像模型，搭建实验装置获取水下偏振图像构建训练数据集，并进行适当变换以扩充数据集。构建基于无监督学习和注意力机制引导的用于融合偏振度和光强图像的端到端学习框架，并对损失函数及权重参数进行阐述。使用制作的数据集在不同的损失权重参数下进行网络训练，基于不同的图像评价指标对融合后的图像进行评估。实验结果表明，融合后的水下图像细节更为丰富，相比于光强图像信息熵提升24.48%，标准差提升139%。相比于其他传统融合算法，该方法不需要人工调节权重参数，运算速度较快，具有较强的稳定性和自适应性，对于海洋探测、水下目标识别等领域的应用研究具有重要意义。

针对高光谱遥感图像的特征提取与地物分类，提出一种基于分数阶微分的高光谱图像特征提取方法，设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征，并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征，将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征，并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNN_PCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3✕3，5✕5和7✕7的分数阶微分掩模进行空间特征提取，4个真实高光谱图像的实验结果表明，所提取的SpaFD特征和SpaFD-Spe-Spa特征可有效提升高光谱图像的地物分类精度，且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%，1.42%，2.41%和2.87%；SpaFD-Spe-Spa特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.90%，5.62%，3.35%和5.18%。