针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题，提出了基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。首先，对二值化图像进行数字形态学处理，计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次，对有效BLOB区域个数大于1的完全分离双目标准直图像，统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量，数量小的候选BLOB区域为主激光目标，数量大的候选BLOB区域为模拟光目标。然后，对于有效BLOB区域个数等于1的待识别图像，从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列，搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时，待识别图像为模拟光目标；当4个方向的相关系数都小于0.95时，待识别图像为主激光目标；否则待识别图像为粘连图像。实验结果表明：提出的双光学目标识别算法，不仅能够识别完全分离的模拟光目标和主激光目标，误差小于3个像素，处理时间小于1 s，而且能够判别处于粘连状态的光学目标和单个独立的光学目标，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。

针对强激光远场测量不能有效识别旁瓣光束任意方向各个旁瓣波峰参数的问题，提出了基于旁瓣光束衍射反演的远场测量旁瓣波峰参数的检测方法。对旁瓣光束图像按照选定的角度采样间隔进行量化，使用角度变换将二维旁瓣光束图像转化为全方向的一维旁瓣光束曲线集合，检测每一个角度的一维旁瓣光束曲线的各个旁瓣波峰参数，从而获得旁瓣光束任意方向各个旁瓣波峰的参数。主要优化措施为：（1）使用角度变换将二维旁瓣光束图像转化为全方向的一维旁瓣光束曲线集合；（2）检测每一个角度的一维旁瓣光束曲线的各个旁瓣波峰的参数，统计所有方向的各个旁瓣峰值，生成每个旁瓣波峰的极大值圆环；（3）统计每个旁瓣波峰极大值圆环的灰度均值，将各个旁瓣波峰极大值圆环的灰度均值与本底噪声进行比较，选择大于本底噪声1.5倍的最小波峰均值为整个旁瓣光束的最小可测旁瓣波峰信号。实验结果表明：该方法能够有效检测旁瓣光束任意方向各个旁瓣波峰的参数，任意方向上灰度极大值均值与理论值灰度极大值误差为0.477，5个波峰的极大值圆环半径均值与理论值半径之间误差小于1个像素。该方法提高了基于旁瓣光束衍射反演的远场测量的实验精度和可信度，为将来大科学装置强激光远场的精确测量奠定基础。

针对原有大型激光装置在双光学目标条件下无法实现光路对接准直的缺点，本文提出了一种基于双目标识别和准直数学模型改进的光路自动准直方法，主要从双目标识别算法实现和多光路、双目标准直数字模型的构建两个方面进行优化。首先，提出基于圆拟合的双光学目标识别图像处理算法，实现了双光学目标的识别，为光路对接准直的成功提供保障；其次，构建新的多光路、双目标自动准直数学模型，为光路准直中各个准直参数的标定和计算提供指导；最后，优化准直流程的调度，对多个光路进行并行准直，提高光路对接准直流程的效率。实验结果表明：本文提出的基于圆拟合的双光学目标识别算法实现了光路对接准直流程中的模拟光目标和主激光目标的识别，识别误差精度小于3个像素，处理时间小于1 s，满足了大型激光装置光路对接准直过程对于精度和效率的要求。本文构建的基于多光路、双目标自动准直数学模型对于光路对接准直流程的成功具有指导意义。

针对大型激光装置使用纹影法无法实现旁瓣光束弱信号区域光强分布精确测量的问题，提出了基于旁瓣光束衍射反演的纹影法强激光远场焦斑测量方法。采用逆向推演间接测量的研究方法，沿光路传播逆方向推导，以旁瓣光束衍射光强图像和相位图像作为输入，通过计算获得未遮挡前旁瓣光束远场焦斑分布。相比传统基于纹影的远场焦斑测量方法，本文的主要改进和优化措施为：首先，基于旁瓣光束衍射反演的原理和间接测量的思想，改进纹影法强激光远场焦斑测量数学模型，从理论角度揭示该模型的合理性；其次，实验仿真强激光远场焦斑测量的整个过程，主要步骤为旁瓣光束衍射、加噪去噪、旁瓣光束衍射反演、焦斑重构等，验证了该方法的可行性；最后，将改进的DnCNN算法用于去除主瓣和旁瓣光束12位科学CCD图像不同级别（0~75 dB）的噪声，提升了远场焦斑的重构精度。实验结果表明：该方法不仅消除了纹影小球对旁瓣光束衍射的影响，而且获得了真实的旁瓣光束弱信号区域的光强分布，包括旁瓣光束各个波峰的幅值和位置、动态范围比值等远场焦斑测量重要参数，其中重构焦斑动态范围比值与理论焦斑动态范围比值之间的误差为3.20%，提高了基于纹影的强激光远场焦斑测量的可信度和实验精度。

针对基于纹影的高动态范围远场焦斑测量数学模型没有考虑噪声对测量结果影响的缺点，本文对基于纹影的远场焦斑测量方法从三个方面进行优化.首先，改进基于纹影的远场焦斑测量数学模型，将噪声作为影响实验结果的重要因素引入数学模型中，使该数学模型和真实的实验环境相匹配，提高了该数学模型的实用性和理论支撑作用；其次，将基于卷积神经网络的去噪算法（DnCNN）引入主瓣和旁瓣CCD图像去噪处理中，并改进该去噪算法存在的不足，使得能够有效去除主瓣和旁瓣12位图像、不同级别（0~75 dB）的噪声；最后，完整仿真了远场焦斑测量实验的全过程，包括分光、衰减、加噪声、纹影小球遮挡、去噪、衰减倍率放大、焦斑重构等，获得了有效的焦斑重构实验结果，其中重构焦斑图像和理论焦斑图像的相关系数为0.998 9，重构焦斑动态范围与理论焦斑动态范围之间误差为3.22%.仿真实验结果表明，通过该数学模型和DnCNN去噪算法的改进措施，验证了改进的数学模型必要性和DnCNN去噪算法在提高重构焦斑二维分布和动态范围精度方面的优越性能，提高了基于纹影的高动态范围远场焦斑测量的可信度，满足了高动态范围远场焦斑测量对于精度和效率的要求.