针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题，利用激光雷达里程计消除惯性测量单元（Inertial Measurement Unit， nIMU）累计误差并通过IMU预积分去除激光雷达点云畸变，形成激光雷达与IMU的紧耦合建图系统；通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化，旨在提升定位建图的全局一致性，减小位姿估计误差，降低累计漂移误差。最后，在学校园区实地场景以及利用开源数据集KITTI进行实验验证，实验表明，在选取的学校园区实地场景下，改进算法APE误差均值相较于原算法降低了11.04%，APE均方根误差较于原算法降低了17.35%；改进算法在KITTI数据集场景下平均APE误差下降了10.04%，均方误差方面相较于原算法平均下降了12.04%。研究结果表明，改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。

针对光电跟踪系统中CCD相机反馈帧率较低，延迟较大导致跟踪高速目标能力差、响应能力差的问题，提出一种基于传感器融合预测的改进跟踪前馈控制方法。为减小融合获得目标高阶运动状态噪声大的问题，提出一种基于微分跟踪的传感器融合策略；针对图像反馈延迟问题，提出一种降阶匀加速Kalman模型，根据融合获得的运动学信息，结合Kalman滤波进行预测跟踪，补偿脱靶量的时间延迟，得到近似真实的目标位置和速度、加速度信息；针对低频输入信号引入闭环扰动问题，提出一种快速数据扩展方法，实现低频信号到高频信号的扩展；根据传感器融合预测结果，设计跟踪前馈控制器，提高系统的响应速度。仿真结果和实验结果均表明该前馈方法能够对CCD反馈延迟导致的跟踪误差进行补偿。实验结果表明：该方法能够大幅提高系统对高速目标的跟踪性能，在目标运动状态相同条件下，相比补偿前跟踪误差减小约83.67%。

三维重建技术是机器视觉中最热门的研究方向之一，在无人驾驶和数字化加工与生产等领域得到了广泛的应用。传统的三维重建方法包括深度相机和多线激光扫描仪，但是通过深度相机获得的点云存在着信息不完整和不精确的问题，而多线激光扫描仪成本高，阻碍了该项技术的应用和研究。为解决上述问题，提出了一种基于转动式二维激光扫描仪的三维重建方法。首先，用步进电机带动二维激光扫描仪旋转运动来获取三维点云数据。然后，用多传感器融合的方法对激光扫描仪的位置进行标定，采用坐标系变换完成点云数据的匹配。最后，对采集得到的点云数据进行了滤波和精简处理。实验结果表明：相较于深度相机/IMU数据融合的重建方法，平均误差降低了0.93 mm，为4.24 mm；精度达到了毫米级别，误差率也控制在了2%以内；整套设备的成本相较于多线激光扫描仪大大降低。本文方法基本满足保留物体的外形特征、高精度和成本低的要求。

激光雷达系统采用主动照明的方式，激光发射脉冲周期信号至目标场景，激光脉冲经目标表面漫反射，由单光子雪崩二极管（Single-Photon Avalanche Diode, SPAD）探测器记录回波光子的到达时间，获得场景的深度信息。然而在探测过程中，测量结果往往会遭到环境光的干扰。传感器融合是进行单光子成像的有效方法之一。最近提出的基于LiDAR和强度相机融合的数据驱动方法大多采用扫描式激光雷达，深度获取速度慢。SPAD阵列的出现打破了帧率的限制。SPAD阵列允许同时收集多个回波光子，加速了信息采集，但分辨率较低，在探测过程中还会受到环境光的干扰，因此需要通过算法打破SPAD阵列的固有限制，从噪声中分离深度信息。针对分辨率为32×32 pixel的SPAD阵列探测器，提出了一种卷积神经网络结构，旨在强度图的引导下，将低分辨率TCSPC直方图映射至高分辨率深度图。该网络采用多尺度方法提取输入特征，并基于注意力模型融合深度数据和强度数据。另外，设计了一个损失函数组合，适用于处理TCSPC直方图数据的网络。在采集数据上进行了验证，提出方法能成功将深度数据的空间分辨率提升4倍，并在质量和数据指标上都优于其他算法。