目前，红外与可见光图像融合算法依然存在着对复杂场景适用性低、融合图像细节纹理信息大量丢失、对比度与清晰度不高等问题，针对上述存在的问题，本文结合非下采样剪切波变换（ Non-Subsampled Shearlet Transform, NSST）、残差网络（ Residual Network, ResNet）与生成对抗网络（Generative Adversarial Network, GAN）提出一种 N-RGAN模型。通过 NSST变换将红外与可见光图像分解为高频子带和低频子带；对高频子带进行拼接并输入由残差模块改进过的生成器，并将源红外图像作为判决标准，以此提升网络融合性能与融合图像细节刻画以及目标凸显能力；对红外图像与可见光图像进行显著性特征提取，通过自适应加权对低频子带进行融合，提升图像对比度与清晰度；对高频子带的融合结果与低频子带的融合结果进行 NSST逆变换，从而得到红外与可见光图像的融合结果。通过与各类算法的融合结果进行对比，本文所提方法在峰值信噪比（ Peak Signal to Noise Ratio, PSNR）、平均梯度（ Average Gradient, AVG）、图像熵（ Image Entropy, IE）、空间频率（ Spatial Frequency, SF）、边缘强度（ Edge Strength, ES）、图像清晰度（ Image Clarity, IC）等多个客观指标上均有提高，可提升复杂场景下的红外与可见光图像融合效果，改善图像细节纹理信息损失严重的问题，同时提升图像对比度与清晰度。

为解决可见光图像可视性差与如何精确控制可见光与红外图像输入量的问题，本文提出一种结合图像自适应增强与独立性、聚焦度、对象性等显著性检测的可见光与红外图像融合算法。首先在可见光图像中引入自适应增强算法提高图像纹理细节的可见性，并对红外图像归一化处理，其次将处理后的图像利用引导滤波分解为细节层与基础层，利用显著性检测生成细节层的权重图，提高细节层中可见光图像背景信息与红外图像边缘信息的精确融合量，最终将依据权重值融合后的细节层与基础层组合得到最终的融合图像。为验证本文算法的优越性，选取图像熵、平均梯度、边缘强度、空间频率、视觉保真度、平均灰度等 6种融合评价指标对融合图像定量分析，并利用 YOLO v5（You Only Look Once）网络对各融合算法进行目标检测，结果表明本文算法在融合定性评价、定量评价与目标检测评价指标平均精度中达到最优。

图像融合技术旨在解决单模态图像呈现信息不充分、不全面的问题。本文针对红外和可见光图像的融合，提出了一种新的在非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）域下基于引导滤波（Guided Filter, GF）和稀疏表示（Sparse Representation, SR）的融合算法。具体地，①利用 NSST对红外与可见光图像分别进行分解，以得到各自的高频子带图像和低频子带图像；②使用 GF加权融合策略对高频子带图像进行融合；③使用滚动引导滤波器（Rolling Guidance Filter, RGF）将低频子带图像进一步分解为基础层和细节层：其中基础层采用 SR进行融合，细节层利用基于一致性验证的局部最大值策略进行融合；④对融合后的高频子带和低频子带图像进行 NSST反变换，从而得到最终的融合结果。在公开数据集上的实验结果表明，相较于其它一些方法，本文方法得到的融合结果的纹理细节信息更丰富、主观视觉效果更好，此外，本文算法所得融合结果的客观评价指标也相对占优。

使用无人机对场景区域中的人、车、物、事等小目标进行实时有效监测有利于维护公共安全。针对无人机视角下小目标存在的目标遮挡、重叠、复杂环境干扰等问题，提出一种无人机视角下的小目标检测算法，该算法使用 You Only Look Once X（YOLOX）网络作为基线系统，首先在 Neck网络部分增大输出特征图减小感受野提高网络的细节表现能力，删除小尺寸特征图的检测头提高小目标的检出率；其次使用 Anchor Free的关联机制，降低真值标签中噪声的影响并同时减少参数设置加快网络运行；最后提出一种小目标真实占比系数来计算小目标的位置损失，该系数增大对小目标误判的惩罚使网络对小目标更加敏感。使用该算法在 VisDrone2021数据集上进行实验， mAP值较基线系统提高了 4.56%，参数量减少 29.4%，运算量减少 32.5%，检测速度提升 19.7%，较其他主流算法也具有优势。

针对传统带彩色恢复的多尺度 Retinex算法（ multi-scale Retinex with color restoration，MSRCR）存在的纹理信息被弱化，部分信息丢失，增强效果不佳等问题，提出一种基于纹理先验和颜色聚类的图像增强算法。首先，在图像增强之前，进行纹理先验信息提取，以便后续进一步处理。其次，针对于光照分布不均匀的情况，提出利用颜色聚类算法进行图像的分块增强。再者，在对数域映射中，在分块处理的基础上提出了基于均方值和均方差的映射方案。最后，在增强算法的评价部分，提出使用图像的信息熵以及自然统计特性来对增强图像做进一步的有效性评估。实验结果证明，所提方法的平均信息熵达到了 7.4934，平均自然统计特性达到 4.0903。算法有效地增强了图像的细节部分，图像更为自然，质量得到了进一步提升。

提出了一种基于语义损失的红外与可见光图像融合算法，通过语义损失引导生成图像包含更多语义信息，满足高级视觉任务需求。首先使用预训练的分割网络对融合图像进行分割，分割结果与标签图构成语义损失，在语义损失和内容损失的共同引导下，迫使融合网络在保证融合图像质量的前提下同时兼顾图像语义信息量，融合图像满足高级视觉任务需求。同时本文还设计了一种新的特征提取模块，通过残差密集连接实现特征重用，提高细节描述能力，进一步减轻融合框架，从而提高图像融合的时间效率。实验结果表明，本文算法在主观视觉效果和定量指标方面优于现有融合算法，且融合图像包含更丰富的语义信息。

夹层共底贮箱体积庞大，采用脉冲红外无损检测技术单次只能检测一小片区域，需要数百次检测才能完成对夹层共底贮箱的检测，单个工程不利于缺陷位置的判断。本文采用固定重叠区域的红外图像拼接方法，重叠区域采用加权融合方式可有效消除拼缝，夹层共底结构侧边 6个子区域采用弧形拼接方式，可有效解决弧形区域的拼接，可有效解决多工程拼接难题。采集工程缺陷标注后，拼接图像直接显示缺陷的位置信息，对于夹层共底结构缺陷信息判断带来了极大的便利。

针对短波红外成像系统在雾霾天气下存在图像质量模糊、分辨率低等问题，本文提出了一种基于暗通道先验理论的短波红外图像去雾算法。本文首先通过改进的暗通道先验得到暗通道图像数据，然后基于暗通道数据对大气光进行估计；为了避免目标局部高亮或细节模糊，采用引导滤波和多尺度 Retinex（Multi-scale retinex，MSR）对透射率图进行细化和增强处理，最后结合大气散射模型来反演出去雾图像。实验结果表明，经此算法处理后的短波红外图像在主观视觉和客观指标方面均得到了较好的验证，去雾效果显著、细节特征丰富且明亮度适宜。

偏振探测技术能够在复杂的背景环境中凸显出目标，为我们提供了更为清晰和精准的目标识别能力。然而，在法庭科学领域上，利用偏振成像技术对水下物证进行探测搜寻的研究仍属空白。针对这一问题，本文通过偏振成像装置，对目标强度图像和偏振度图像进行融合。利用非下采样剪切波（non-subsampled shearlet transform, NSST）对图像进行分解后，在高频子带提出了参数自适应的简化型脉冲耦合神经网络模型，在低频子带则采用一种基于区域能量的自适应加权融合规则。在可见光下，对 3类典型目标进行相关算法比对实验。实验结果表明，通过偏振成像技术可有效探测到水下物证，利用本文提出的图像融合算法有效突出了水下物证的细节特征，验证了偏振探测技术对水下物证成像的有效性，有利于突破当下法庭科学领域水下物证探测技术的空白。

为解决光谱反演法确定透明固体光学常数的一些问题，如存在反演误差、计算耗时等。本文基于传统的双厚度透射率模型，建立了厚度满足整数比的两个光谱透射率方程。通过代数运算获得了与消光系数有关的多项式方程，求解并选择大于 0小于 1的实数根来计算消光系数；然后求解关于界面反射率的一元二次方程，选择大于 0小于 1的根来计算折射率。在确定光学常数的过程中，新方法没有反演误差、迭代计算耗时及多值问题。作为应用示例，利用已知文献中的双厚度透射率实验数据计算了 CaF2和 Si的光学常数，并和文献的结果进行了比较。结果表明，新方法优于传统的光谱反演法，新方法为透明固体光学常数的高精度确定提供了新选择。

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。

涡流脉冲热像（ Eddy current pulsed thermography，ECPT）技术是一种新型的无损检测方法，广泛应用于金属材料结构的检测，但该技术常依赖人工经验提取特征进行裂纹检测与识别，自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络（Recurrent Neural Network，RNN）的特性，提出一种基于双向长短期记忆网络（Bidirectional Long Short-Term Memory Network，Bi-LSTM）金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热，使用红外热像采集装置对金属平板试件进行实时的数据采集，获得图像序列并制作数据集。运用设计的 Bi-LSTM模型增强特征向量中的时序信息，对不同尺寸裂纹的热图像进行训练并测试。实验分析表明， Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别，针对现有裂纹检测准确率可达到 100%，优于传统神经网络和其他深度学习的模型，具有更高的识别精度。

为了解决在现有道路照明条件下，因环境照度不够、环境光强快速变化等原因，造成车辆对周边物体自动识别的准确率低的问题，本文通过软件仿真，设计了一种车载红外补充照明系统。使用红外 LED作为光源，光源发出的光线经抛物面反射镜准直后，通过单排复眼透镜，在距离光源 25 m处得到均匀性大于 90%的矩形光斑，系统的辐射能利用率达到 98%，通过 30个照明模块组成平面阵列，目标照明面的平均辐照度大于 0.8 W/m2。结果表明，采用单排复眼透镜实现匀光，其结构简单，装配公差宽松；本设计方法适用于其他照明系统。

将红外热成像技术与图像处理技术结合，用压差法进行建筑外窗空气渗透检测。通过红外热成像仪对建筑外窗进行红外图片采集，利用图像处理技术对采集的外窗图像进行红外图像处理，针对红外图像中的异常区域对外窗缺陷进行检测，并进行缺陷的面积计算，建立外窗缺陷红外检测模型。根据实验测得的室内外温差、外窗缺陷面积、空气渗透量建立建筑外窗空气渗透量计算模型，将模型与建筑外窗缺陷红外检测模型结合，对外窗缺陷引发的能耗进行定量分析。结果表明：对外窗缺陷进行维护，能够减少外窗耗能，提高外窗节能。外窗每减少 1 cm2的空气渗透面积，每年能够节能 66146 kJ；外窗气密性能等级每提高 1级，单位面积外窗每年能够节能 110012 kJ。