针对在飞行目标位姿估计中背景复杂、目标提取及位姿解算精度低、速度实时性差等问题，提出了一种激光与图像信息融合的飞行目标位姿估计方法。首先，建立彩色相机和激光雷达间的坐标变换模型实现两传感器像素级匹配，对同一时刻的图像和点云进行融合处理；其次，采用ViBe算法与深度信息融合对图像中运动目标进行提取，并根据图像目标的位置框选出对应的点云；最后，利用PnP算法进行特征点粗配准，获取点云间初始旋转平移矩阵，并采用迭代最近点算法进行精配准，利用IK-D Tree加速临近点搜索，提高配准速度。使用仿真试验和半实物仿真试验对方法准确性和稳定性进行了验证，结果显示：二维图像目标检测算法正确率为97%，错误分类比为0.0112%；位姿估计算法与传统迭代最近点算法相比精度提高了53.2%,单次耗时从261 ms降低至132 ms，效率提升约49.4%，与其他算法相比也具有一定优势。为飞行目标落点精准预测和制导控制提供解决思路。

针对红外图像和可见光图像的融合目标检测问题，提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后，利用设计的红外编码器提取红外图像空间特征信息；通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征，通过精确的位置信息对通道关系进行编码；最后，采用提出的门控融合网络自适应调节两路特征的权重分配，实现跨模态特征融合。在KAIST行人数据集上，与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比，所提算法检测精度分别提升15.1%和2.8%；与基准算法YOLOv5-s相比，检测精度分别提升14.7%和3%；同时，检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上，所提算法的检测精度和速度也同样具有明显优势。此外，该算法还能对单独输入的可见光或红外图像进行目标检测，且检测性能与基准算法相比有明显提升。

热红外成像技术被广泛地应用于**、遥感和安防等领域中的目标跟踪，但热红外图像对对比度较低、目标模糊等跟踪场景效果一般。因此，将热红外图像与可见光图像进行融合提高跟踪性能具有重要意义。与基于可见光或热红外图像的单模态跟踪算法相比，基于可见光/热红外(RGB/Thermal, RGBT)图像的双模态跟踪算法对光照变化、云雾遮挡具有更强的鲁棒性。提出了一种基于特征融合的RGBT双模态孪生跟踪网络架构。该网络将双模态图像中提取的深度特征进行融合，提高目标外观特征的判别力。该网络可以利用训练数据进行端到端的离线训练。公开数据集RGBT234上的实验结果表明，所提出的RGBT双模态孪生特征融合跟踪网络能够实现复杂场景下鲁棒持续的目标跟踪。

针对双模态红外图像在融合时异类差异特征两两合成出现信息冗余导致所选择的融合算法相互冲突，造成融合效果差甚至失效的问题，提出了一种基于可能性信息质量合成的双模态红外图像融合算法选取方法。首先计算双模态红外图像多融合算法下不同差异特征的融合有效度，利用可能性框架得到对应的可能性分布向量子集；其次计算向量子集的信息量和可信度，并对多个向量子集进行加权合成；然后构建基于信息质量的排序函数，得到每种融合算法下的非支配子集；最后构建多融合算法得分函数的联合分布对多种融合算法优化选择。实验结果表明，将基于质量来整合多个差异特征的方法运用于双模态红外图像融合算法选取中，所选出的融合算法在加权综合指标上高于其他算法均值55%以上，证明了本文方法的有效性和合理性；由多组实验算得本文方法平均耗时10.083 s，在时间效率上也符合实时图像融合应用的工程需求。

针对双模态红外图像实际融合需求中常涉及到异类差异特征协同优化融合，且现有差异特征属性无法针对性地调整融合算法进行有效驱动，导致融合效果差等问题，提出了基于可能性分布联合落影的双模态红外图像融合算法选取的方法。首先计算双模态红外图像差异特征幅值的融合有效度，利用K最近邻法得到差异特征幅值的概率密度分布，得到差异特征频次属性的分布；然后通过差异特征幅值属性与频次属性构造差异特征权重函数，建立异类差异特征权重函数与多融合算法间的可能性分布合成，得到异类差异特征权重函数多融合算法融合有效度的联合落影；最后构建融合性能指标动态选取最优融合算法。实验结果表明，本文方法所选出的最优融合算法在等级得分指标上明显优于其他算法，验证了本文将可能性分布联合落影运用于双模态红外图像最优融合算法选取中具有可行性。