针对孪生架构单目标跟踪算法存在的目标状态更新不及时的问题，基于模板与记忆信息动态融合的跟踪策略，提出一种通用的模板更新机制。该机制采用双模块融合的更新策略：通过记忆融合模块融合搜索图像特征的短期记忆信息，获得目标变化情况；将前一帧可信的跟踪结果作为动态模板，从相关特征的角度，通过权重融合模块对原始模板和动态模板进行加权融合，通过结合跟踪过程的原始记忆与短期记忆实现更准确的目标定位。将模板更新机制应用于SiamRPN、SiamRPN++和RBO三种主流算法，并在VOT2019公开数据集上进行实验验证。结果表明：应用该机制后算法的性能得到了有效提升，具体而言，在SiamRPN++算法中，平均重叠期望值提升了6.67%，准确性提升了0.17%，鲁棒性下降了5.39%；此外，在遮挡、形变和背景干扰等复杂场景下，添加模板更新机制的SiamRPN++算法展现出较好的跟踪性能。

针对不同尺度点云配准的精度和效率问题，提出一种基于人工蜂群优化的异尺度点云配准算法。引入尺度缩放因子，与三维旋转、平移参数共同作为配准过程中的待求变量，使用人工蜂群优化方法进行优化求解。同时，基于归一化尺度参数改进了欧氏距离目标函数，以消除优化求解中尺度缩放因子引起的误差，从而有效提高配准算法的稳定性。与当前几组典型方法进行对比，所提算法对不同模型配准的精度和效率均有提高。实验结果表明，所提算法充分利用了人工蜂群优化方法优异的全局优化能力，可以有效实现对异尺度点云的高精度、快速配准。

现有的立体匹配算法在弱纹理、阴影等病态区域的匹配效果较差，为了充分利用场景上下文信息来提高视差匹配精度，提出一种有效的多重注意力立体匹配算法（MAnet）。特征提取阶段，通过多种注意力机制，即位置通道注意力和多头十字交叉注意力（MCA），调整特征通道并有选择性地聚合任意范围内的上下文信息，为匹配代价计算提供更有辨识性的特征。将MCA扩展到3D卷积中，扩大网络感受野，使聚合的匹配代价更准确。对于网络的损失函数，通过加权超过误差阈值部分的损失来提高网络对困难区域的学习能力。在KITTI数据集中对算法进行实验验证，MAnet对KITTI2015测试集的误差仅为2.06%，实验结果表明，与基准算法相比，MAnet提高了视差精度，有助于改善病态区域的匹配效果。

在立体匹配问题中，基于3D标签的算法可以取得更高精度的亚像素视差图。针对3D标签的随机初始化问题，提出一种基于超像素结构与三角剖分的标签初始化方法。利用基于超像素边界提取到的特征点构建三角剖分，生成初始3D标签；针对图割算法迭代优化3D标签时效率的问题，在超像素结构上利用图割算法进行全局优化3D标签，迭代中加入对当前标签状态的假设扩展标签候选，提升了标签搜索效率。在Middlebury2014数据集上对方法进行验证，实验结果表明，所提方法的平均误匹配率（8.31%）低于LocalExp算法的平均误匹配率（8.39%），并且处理单幅图像耗费的平均时间约为LocalExp算法的70%。

针对传统标定方法对靶标特征点模糊噪声适应性低的问题，提出一种基于彩色编码相移条纹的标定方法。以液晶显示面板为标定靶，依次显示水平和垂直彩色编码相移条纹；通过颜色通道分离，得到正交相移条纹；结合相移理论，以正交相位截断线的交点为特征点；多次改变靶标位姿，提取特征点，结合基于平面二维靶标的标定理论，实现单相机与双目立体视觉系统的标定。此外，在靶标图样四角添加彩色编码相移圆环，实现特征点的自动提取与排序，提高标定效率。实验结果表明，在拍摄靶标图像模糊时，单相机标定的重投影误差为0.15 pixels，标定后双目系统的测量标准偏差为0.1 mm。