气流随机冲击引起的姿态扰动是飞行器光电系统的主要扰动源，在系统自身转轴摩擦和质量不平衡等因素的作用下，严重影响了光电系统视轴稳定性。为了有效抑制扰动力矩的影响，建立了外俯仰、内方位两轴光电系统动力学模型，给出了扰动因素和运动耦合综合作用下的扰动传递关系。根据系统动力学模型，提出了扩展卡尔曼滤波扰动力矩估计方法，并构建扰动力矩前馈控制回路，实现了对扰动力矩的实时补偿,大大提高了光电系统的稳像控制精度。利用飞行模拟转台对某两轴光电系统进行了半实物仿真实验，结果表明: 在幅值为1°、频率为2 Hz的载体扰动条件下，采用前馈补偿方法系统俯仰和方位框架的视轴稳定精度均方根值分别达到0.026 4 mrad和0.029 0 mrad，相比扰动观测器控制方法分别提高了64.1%和69.6%。

针对长时目标跟踪中目标背景混杂、遮挡、目标移出视野导致的跟踪失败问题,基于空间正则化相关滤波(SRDCF),提出一个基于前景感知的时空相关滤波算法。首先,提出前景感知相关滤波方法,使得滤波器能够准确地把目标前景区域和背景区域进行区分;然后,把前景感知滤波器加入时间正则项中,使具有时空正则化功能的滤波器始终保持在一个低维的判别流形上;同时,采用交替方向乘子法(ADMM)求解,使得跟踪方法在传统特征的表达上能实现实时性;最后,确定目标重检测器的激活阈值,利用候选区域方法结合相关滤波方法实现重检测,达到长时跟踪的目的。在标准数据集OTB-2013上分别利用传统特征和卷积特征进行实验,并与SRDCF相比,跟踪平均成功率分别提高了5.6%和7%。本文算法针对目标背景模糊、旋转、遮挡和移出视野等情况,具有较强的稳健性。

大气对红外辐射传输的影响引起的红外成像灰度变化, 是红外目标跟踪应用需要应对的问题。对红外成像灰度变化规律进行李群建模, 对设计高效、鲁棒的目标跟踪算法具有重要意义。首先分析了红外辐射传输模型, 并结合红外成像机理, 得到红外成像灰度变化模型。进一步从理论上证明了大气影响下红外成像灰度变化规律符合李群结构, 提出了红外图像灰度动态变化的一种非欧数学表征。最后根据红外成像灰度变化模型对不同环境下采集到的外场实验数据进行拟合, 回归分析结果表明了该模型的准确性, 进而说明了对红外成像灰度变化规律进行李群表达的合理性。

近年来, 深度学习以其强大的非线性计算能力在目标检测和识别任务中取得了巨大的突破。现有的深度学习网络几乎都是以数据的欧氏结构为前提, 而在计算机视觉中许多数据都具有严格的流形结构, 如图像集可表示为Grassmann流形。基于数据的流形几何结构来设计深度学习网络, 将微分几何理论与深度学习理论相结合, 提出一种基于Grassmann流形的深度图像集识别网络。同时在模型训练过程中, 使用基于矩阵链式法则的反向传播算法来更新模型, 并将权值的优化过程转换为Grassmann流形上的黎曼优化问题。实验结果表明: 该方法不仅在结果上识别准确率得到了提高, 同时在训练和测试速度上也有一个数量级的提升。

集成微偏振片阵列红外成像系统的偏振度图像对非均匀性高度敏感，不经非均匀校正的偏振度图像存在较大误差。为了校正微偏振片阵列红外成像的非均匀性，以入射光Stokes矢量形式，建立了光电转换基本过程的偏振像素模型，基于入射激励和辐射响应数据，分析了微偏振阵列与红外焦面联合作用下非均匀性产生机理。提出一种基于多次辐射测量的矩阵形式的非均匀性校正方法，该方法通过构造多组测量方程，求解偏振像元的增益矢量，由相邻四像元增益矢量组成超级像元的增益矩阵，结合Stokes矢量提取矩阵，逆向求解重构点的校正矩阵。实验数据表明：该方法比两点法降低非均匀性约5%~20%，有效改善红外偏振度图像质量。

针对传统的非均匀校正算法难以校正偏振成像的非均匀问题, 提出了一种新的矩阵校正算法。分析了偏振成像与非偏振成像的非均匀性的不同表现, 阐述了微偏振片阵列成像的非均匀产生机理, 指出了采用非偏振成像非均匀校正方法的失效原因。在构建偏振成像系统对入射偏振光源的响应模型基础上, 提出了矩阵校正法。实验部分给出了矩阵校正法对均匀偏振场本底图像和信息丰富场景图像的校正效果, 定量分析结果表明, 矩阵校正法将均匀本底图像的非均匀性降至校正前的10%左右。

背景辐射噪声是弱信号检测面临的难点问题。提出了一种显著提升信噪比实现匀速运动弱目标的有效检测算法。建立目标坐标空间和速度空间，以不同速度矢量控制图像叠加，形成提升了信噪比的新的图像序列并构成图像空间；利用恒虚警判决法在图像空间中检测候选目标点；根据候选目标点所对应的坐标向量和速度向量分别映射到坐标空间和速度空间，由两个空间中出现的峰值判定目标点。实际红外成像系统实拍实验表明，算法能将信噪比提升至接近原图的n^1/2倍，目标检测概率和虚警概率都明显优于所对比的弱目标检测算法。

针对传统基于向量子空间降维的图像匹配算法易丢失像素间邻域关系和计算量大的问题，提出一种基于张量子空间降维的边缘图像匹配算法。通过双边投影变换提取边缘图像的张量子空间，在降低特征空间维数的同时保持边缘特征之间的邻域关系，同时采用边缘膨胀后的互相关度量模板与实时图的相似性。标准人脸数据库和红外实时图像的匹配实验结果表明：该算法在匹配时间、匹配正确率、匹配精度3方面较传统基于向量子空间的匹配算法有显著的性能提高，并且对杂波和部分遮挡有较强的适应性。