星载Mie散射激光雷达是当前应用最为广泛的获取全球尺度气溶胶剖面信息的探测设备。然而，大气气溶胶类型多样，通常假定气溶胶遵循特定模式并以此为先验，从而实现从激光雷达信号反演气溶胶消光系数廓线，但这一定程度上会影响反演精度的进一步提升。鉴于此，提出了一种基于星载激光雷达双通道信息的气溶胶消光系数廓线的迭代反演优化算法。该方法首先在给定的先验气溶胶模式下获得初始消光-后向散射比（即激光雷达比），并基于此分别反演两个通道的气溶胶消光系数和光学厚度。同时借助构建的气溶胶光学厚度与气溶胶质量柱总量之间的关系，得到两通道独立估计的大气气溶胶质量柱总量。最后以两通道大气气溶胶质量柱总量相同为约束，实现仅依赖激光雷达数据的激光雷达比及气溶胶相关光学参数的迭代优化。由于双通道激光雷达观测的限制，该方法适用于两种类型气溶胶混合下的反演，利用内蒙古包头地区的多年气溶胶背景场，对反演模型的精度和适用性进行了评估。与采用经验估算激光雷达比的Fernald方法反演结果相比，所提算法反演的气溶胶消光系数廓线在532 nm和1064 nm通道的平均精度分别提高了21.16%和3.00%。此外，还将该方法应用在CALIOP数据中，进一步验证了该反演模型的应用潜力。

煤矸石快速精准的识别对提升煤炭产能有着极大的影响，而现有的煤矸识别分选方法在分选设备、准确率以及效率上尚有不足。提出了一种基于深度学习的激光雷达双通道伪彩图像煤矸识别方法。首先，基于激光雷达距离通道信息，设定高度阈值去除目标矿石以外的干扰信息；其次，对原始点云数据降维投影，以快速获得煤矸反射强度信息和表面纹理特征；然后，对降维处理后的强度通道与距离通道进行融合，构建煤矸双通道伪彩图像数据集；在此基础上，针对伪彩数据集对经典稠密连接网络（DenseNet-121）进行优化，利用优化后的DenseNet-40网络进行模型训练及测试，测试结果表明：该模型对煤矸的识别率达94.56%，证明激光雷达采集的双通道伪彩图像在矿石识别领域具有科研和工程应用价值。

荧光光纤温度传感器利用光纤技术的远距离传输, 避开了恶劣的测温环境, 相较传统有源测温设备的接触式测量, 更适合在强电磁场、高压腐蚀等极端环境下的温度检测。针对传统的单通道电路读出结构易受外界干扰的弊端, 本文设计了一种双通道的小型实用的荧光测温系统。整个测温系统分为光路设计、电路设计和程序设计 3个部分。采用两路通道差分相减的创新思想, 完全消除了直流分量且基本不含有随机噪声, 从而得到了单一光滑的荧光衰减信号。最后通过标定实验, 得到荧光寿命与温度之间的函数关系。实验结果表明, 在 10~130 ℃的温度范围内, 标准温度偏差为 0.5 ℃, 基本满足强电磁场、高压腐蚀、微波热疗等一些恶劣环境下的测温需求。

为进一步增强加密或存储器件的实用性与安全性，设计并实现了一种多通道偏振复用的相变全息超表面，通过在多通道全息超表面设计中引入相变介质，实现了动态的可擦除功能。当耦合相变介质层处于非晶态时，所构造的编码超表面可以产生两个独立成像的全息通道。当相变介质变为晶态时，决定相位调控的交叉偏振被关闭，对应的相位编码“被擦除”。

针对红外与可见光图像融合算法中存在的目标提取不充分、细节丢失等问题，提出一种基于改进的区域生长法（IRG）与引导滤波的红外与可见光图像融合方法。首先对红外图像使用IRG进行目标提取，然后对红外和可见光图像使用非下采样剪切波变换（NSST），并对所得低频与高频分量进行引导滤波，由滤波后的红外和可见光低频分量通过基于IRG的融合规则得到低频融合系数，由增强的高频分量经过双通道脉冲发放皮层模型（DCSCM）得到高频融合系数，最后经NSST逆变换得到融合图像。用主观评价和6种常用客观评价指标对融合图像进行评估。实验结果表明，所提算法的融合图像目标突出、背景信息清晰、细节保留能力强，在主观和客观评价上均有明显优势。

针对如何在训练样本有限的情况下更加充分提取和利用高光谱图像的空间信息和光谱信息这一问题，提出一种基于双通道特征增强（DCFE）的高光谱图像分类方法。首先，设计两个通道分别捕获光谱特征和空间特征，在每个通道中使用三维卷积作为特征提取器。然后，将降维后的光谱通道中的特征图与空间通道的特征图进行融合。最后，将融合了光谱特征和空间特征的特征图输入注意力模块中，通过提升重要信息的关注度和降低无用信息的干扰来实现特征增强。实验结果表明，所提方法在Indian Pines（3%训练样本）、Pavia University（0.5%训练样本）、Salinas（0.5%训练样本）和Botswana（1.2%训练样本）等4个高光谱数据集上的总体分类精度分别为96.57%、98.15%、98.95%和96.83%，与其他5种高光谱分类方法相比，所提方法在分类性能上取得了明显提升。

遥感图像融合作为一种整合多光谱和全色图像所包含信息的有效方法，在国土空间规划和灾情检测等应用领域已成为一种强大的技术。针对非下采样剪切波变换（NSST）域的融合策略进行研究，提出一种新的NSST域遥感图像融合方法。首先对源图像进行NSST，将其分解为低频系数和多方向的高频子带；然后，引入基于平均谱半径（MSR）的图像特征加权机制，将能量属性和改进的拉普拉斯能量和进行加权并应用于低频系数融合，以解决能量保存和细节提取问题；其次，开发一种改进的双通道脉冲耦合神经网络，并结合由方向信息确定权重的加权自适应方法来对高频子带进行融合；最后，利用融合后的低频系数和高频子带进行重构，得到融合后的图像。通过GF-2、GeoEye和WorldView-3这3种不同分辨率的共48组卫星影像验证了该方法的有效性。与5种融合方法的对比实验表明，该方法在视觉感知和定量评价指标方面都能取得较好的效果。

针对传统红外与可见光图像融合算法中存在的目标模糊、细节丢失、算法不稳定等问题, 提出了一种基于模糊 C均值聚类(Fuzzy C-means, FCM)与引导滤波的红外与可见光图像融合方法。原图像经过非下采样剪切波变换(Nonsubsampled Shearlet Transform, NSST)后对低频子带进行引导滤波增强, 再利用 FCM与双通道脉冲发放皮层模型(Dual Channel Spiking Cortical Model, DCSCM)结合对高低频子带进行融合, 最后经 NSST逆变换得到融合图像。实验结果表明, 本文算法稳定, 主观评价上所得融合图像目标明确, 细节保留较为完整, 客观评价上在标准差、互信息、平均梯度、信息熵和边缘保留因子等评价标准中表现优良。