对红外焦平面阵列成像系统而言, 基于场景的非均匀校正技术是处理固定图案噪声的关键技术。现有的非均匀校正算法主要被收敛速度和鬼像问题所限制。提出一种新的基于恒定统计算法的自适应场景非均匀校正技术。利用红外图像序列的时域统计信息结合提出的α修正均值滤波来估计探测器的参数, 通过减少样本的渐进方差估计, 完成成像系统的非均匀性校正。通过模拟和真实的非均匀性图像对算法的性能进行评价。实验结果表明, 在继承恒定统计算法快速收敛的同时, 图像峰值信噪比较恒定校正法及常系数α校正算法分别有445%和329%的提升, 图像鬼像问题有明显改善。

为减轻双目摄像机标定过程中对高精度靶标的依赖, 实现摄像机参数的精确标定, 并对空间坐标进行高精度重建, 提出一种GPS双目摄像机标定及空间坐标重建方法, 采用GPS代替2D或3D靶标进行双目摄像机标定。将GPS的位置在视场中任意移动, 由被标摄像机拍摄多组含有GPS的图像, 利用空间三维坐标与图像二维坐标间的映射关系, 结合摄像机成像模型和双目摄像机标定原理, 标定出双目摄像机参数, 并对空间坐标进行精确重建。通过空间重建坐标与GPS实际测量值之间的相对距离误差, 对重建精度进行检验。实验证明, 该方法能够克服双目摄像机标定过程中对高精度靶标的依赖, 空间重建坐标具有较高的精度, 相对距离误差从1.56%减小到0.52%。

红外面阵旋转搜索系统因其系统结构简单、灵活性高、成本较线阵低等优点备受关注。在红外面阵旋转搜索系统中，复杂背景下的弱小目标检测是一个难题。为了有效抑制背景干扰，降低复杂背景带来的虚警，针对红外面阵旋转扫描系统的成像特性，提出了基于线目标特征加权的恒虚警检测算法。首先，通过背景抑制和阈值分割初步得到离散的潜在目标点迹图。其次，研究分析了线目标的三类特征，并对各类特征进行量化和加权处理，从而得到总的加权值；最后，将加权值映射到离散的点迹图上，得到关于加权值的图像序列，再通过恒虚警检测方法得到新的分割阈值，达到二次分割的目的，从而抑制背景干扰、减少虚警和误判。实验结果表明：该方法可以显著地减少红外面阵旋转搜索系统中复杂背景造成的虚警，并保证能够有效检测出弱小目标。

噪声性能是限制光电检测电路探测能力的重要因素，针对这个问题，设计了基于光电二极管反偏的光电检测电路并分析其电路噪声，分析噪声时，创新性地从光电检测电路结构出发，将整个电路等效为光电二极管、晶体三极管、运算放大器三个级联模块，详尽分析了每个模块的噪声来源及其相关因素，计算每个模块的输出噪声，最终得出整个电路的输出噪声电压模型。根据输出噪声电压模型，确定了电路的各项参数，预估电路的输出噪声电压，最后，搭建实际电路，测量电路的噪声性能，验证了输出噪声电压模型的准确性，实现低噪声光电检测电路的设计。

提出了一种基于场景的空间投影估计和时域迭代百均匀性校正算法（SPETI）.这种方法 主要是通过投影估计来估算全局位移，并且在连续多帧图像中进行迭代计算.首先，为配准准则设计了一个新的投影估计；然后，计算相邻帧并进行迭代计算，以此来获得较快的固定图案噪声（FPN）收敛，同时减少鬼影的产生；最后，将本算法移植至基于FPGA的硬件系统中.在连续单调运动的系统中测试算法的各项指标，并且将实际的校正效果予以展示.为了与自适应最小均方差算法和全变差算法进行比较，对一个完全干净的红外图像序列添加了人为的非均匀性.将固定标准增益和偏置非均匀性添加到图像序列上，以测试迭代次数与非均匀性等级的关系.

为了降低强视差下移动相机运动目标检测的虚警率，提出了一种基于深度约束方程的运动目标检测方法。重点研究了二维图像坐标系到三维世界坐标系之间的关系，并根据图像深度信息和摄影几何原理，结合前后两帧图像和相机内部参数，提出了深度约束方程。深度约束方程包含了图像灰度信息和深度信息，利用深度约束方程可以有效地去除因相机移动产生的视差对目标检测的影响。利用该方法对实际的图像序列进行了分析与处理，并与相关算法进行了对比分析，实验结果表明该方法能够消除移动相机下由于视差造成的虚警，提高移动平台运动目标检测的准确性。

采用脉冲激光沉积法制备了VO2薄膜, 应用X射线衍射和X射线光电子能谱分析表明样品为多晶薄膜。采用泵浦-探针方法研究了二氧化钒薄膜的相变特性, 实验结果表明当激光重复频率为160 Hz时, 样品最小相变响应为12 ns, 相变恢复时间与激光能量按照自然指数关系变化。仿真结果表明当激光能量一定时, 二氧化钒薄膜相变恢复时间与衬底材料的热导率、热扩散系数有关。

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题，提出了一种改进的单高斯背景模型运动目标检测算法，该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型，对当前帧图像进行运动目标的初检测，根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新，对更新后的背景模型中不属于背景点的像素点进行mean shift修正，将进行mean shift修正后得到的背景模型作为最终的背景模型，再通过背景差分法最终检测出运动目标。实验表明，改进的算法能很好地克服背景模型不能自适应背景变化的缺点，目标检测完整度比传统的单高斯模型高。

针对复杂动态场景中粒子滤波算法跟踪目标时稳定性不高且易受背景噪声影响的特点，提出了改进的卡尔曼粒子滤波（KPF）目标跟踪算法。利用卡尔曼嵌入粒子滤波的方法对粒子滤波预测的状态值进行二次预测，并且利用二次采样技术增强粒子的丰富度，从而在一定程度上消除背景噪声的影响。同时为了满足卡尔曼滤波对线性运动的要求以及消除背景快速变化对跟踪精度的影响，采用灰度投影算法计算背景偏移从而进行运动补偿。实验结果表明，改进的卡尔曼粒子滤波跟踪算法在复杂动态场景中可以有效地跟踪运动目标，证明提出的KPF 算法精度高、稳健性强、实时性好。