针对多无人机编队控制难题, 设计了一种基于虚拟长机与非线性视线导引律相结合的多机编队控制算法。将编队飞行过程分为航路飞行与航路切换两个阶段。在航路飞行阶段, 虚拟长机由非线性视线导引律生成参考点, 根据队形的几何位置生成实际编队飞机的期望参考点, 进而得到每架飞机保持编队队形所需的滚转角指令；在航路切换阶段, 虚拟长机采用圆弧飞行, 以虚拟长机作为编队飞机的期望参考点生成队形保持的滚转角指令。速度指令由虚拟飞机与编队飞机之间的距离误差得到。以某固定翼飞机的非线性仿真模型为基础, 设计典型“V”字队形, 通过数值仿真验证了多架飞机在航路飞行与航路切换阶段编队算法的可靠性与控制精度。

为了解决传统均值迁移(Mean shift)目标跟踪算法中跟踪窗口容易收敛至局部概率模式的问题，提出一种基于组合带宽Mean Shift的目标跟踪策略，并建立了一种自适应学习率的over-relaxed优化策略以加速收敛过程。根据目标尺度设定了一组从大到小排列的带宽序列，并依次根据每个带宽进行Mean Shift迭代收敛运算，利用大带宽的平滑作用避开局部概率模式的干扰；依靠小带宽进行精确定位，最终使其收敛到真实目标区域。由于组合带宽Mean Shift会造成一定的额外运算量，为此引入over-relaxed优化策略加速迭代过程。在边界优化算法的收敛条件约束下，根据采用over-relaxed策略前后相关系数的变化，自适应地调整学习率。实验结果表明，组合带宽Mean Shift能够有效地跟踪快速运动的目标，并且当目标短暂丢失时也有一定的恢复能力；实验采用over-relaxed策略后，收敛次数减少了30%~70%。

针对高精度测试系统中电荷耦合器件(CCD)的非均匀性会给测试结果带来较大误差,根据引起非均匀性的噪声特性,建立了对应的图像模型。根据传统两点线性法的基本思想,提出了一种基于经验模式分解(EMD)的自适应分析方法对非均匀性像素进行校正。该算法以Hilbert-Huang变换(HHT)中的滤波器理论为基础,将图像序列在时间域的尺度分解和相应统计量计算,获得用于图像校正的偏置和增益系数。通过实际实验对所提算法进行了验证,结果表明,该算法能够有效地校正像素的非均匀性,提高了测试精度。

针对空中目标的跟踪环境提出一种边缘幅值分布的相关跟踪算法，利用目标的边缘幅值分布作为目标的特征模板，通过求取当前帧中目标特征与目标特征模板相关系数的最优解来进行目标跟踪。与采用对称核函数的均值迁移目标跟踪算法相比，采用目标边缘点作为核函数中的样本点，参与计算的样本点为核窗口中样本的5%～10%，使图像处理速度达到了50 帧/s 以上，满足了实时跟踪的要求。在跟踪过程中，以目标相邻帧间特征向量的Bhattacharyya 相关系数作为目标特征模板的更新判据，实验中相邻帧间目标特征向量的Bhattacharyya 系数保持在0.95～1.0，满足模板实时更新的要求，为稳定跟踪提供了保障。

提出一种新的能对非均匀性校正效果进行定量计算的评估测度"校正率",并进行了实验验证.校正率以时域噪声为参考标准来衡量图像非均匀特性,不仅可以反映图像显示效果,还可以反映图像测温精度.该方法可用于IRFPA系统的性能评价和非均匀性校正方法校正效果评价,对非均匀性校正的研究具有重要意义.