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。

结合MEMS激光雷达和红外相机的优势，设计了一种简单轻量、易于扩展、易于部署的可分离融合感知系统实现三维目标检测任务，将激光雷达和红外相机分别设置成独立的分支，两者不仅能独立工作也能融合工作，提升了模型的部署能力。模型使用鸟瞰图空间作为两种不同模态的统一表示，相机分支和雷达分支分别将二维空间和三维空间统一到鸟瞰图空间下，融合分支使用门控注意力融合机制将来自不同分支的特征进行融合。通过实际场景测试验证了算法的有效性。

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。