剪切散斑干涉是一种非接触式、全场高精度光学变形测量技术，由于环境等因素导致采集的散斑条纹图像存在大量随机噪声,进而影响测量精度。传统去噪方法在滤除噪声的同时，容易导致条纹边缘信息的丢失甚至破坏。针对该问题，本文提出基于正余弦变换和双调滤波相结合的剪切散斑干涉图像去噪方法。该方法首先对相位条纹图进行正余弦变换获得两幅图像，其次对这两幅图像分别运用双调滤波方法进行去噪，最后将滤波后的两幅图像合并为最终的相位条纹图。实验结果表明：经本文方法滤波后的相位图散斑抑制指数为0.999，平均保持指数为2.995，证明该方法较传统去噪方法能更好地改善相位图质量，且能较大程度地保留相位条纹的细节及边缘信息。

针对水下湍流的复杂性和多变性对水下航行器性能和姿态控制产生的挑战，提出使用卷积神经网络来测量水下湍流的温差耗散率XT。首先，采用功率谱反演法和惠更斯-菲涅尔原理仿真生成了受水下湍流影响的散斑图像数据集。随后，利用卷积神经网络提取这些受湍流影响的散斑图像中的特征信息，并对温差耗散率XT进行估计。最后，通过现场实验数据集验证了所提出方法的可行性。实验结果表明，所提出的神经网络在实地实验数据集和模拟仿真数据集上表现出相似的分类精度和损失曲线，其测量准确率分别为98.8%和99.2%。这一研究为水下环境监测和资源勘探领域提供了重要的参考，对于光学图像处理和湍流研究等相关领域具有实际意义。

散斑法是表面粗糙度测量领域的研究热点之一，该方法可以通过建立散斑图像特征参数与表面粗糙度评定参数之间的关系，实现对工件表面粗糙度的高效和无损测量。然而，该方法在特征参数选取阶段缺乏统一的标准，工件的机加工方法也会对特征参数和表面粗糙度评定参数之间的关系产生影响。这可能导致选取的特征参数仅适用于某种加工工艺下的表面粗糙度测量，并且特征参数之间还可能存在冗余问题。针对以上问题，文中从采集的激光散斑图像中提取了多个特征参数，引入斯皮尔曼相关系数，制定简约规则对提取的特征参数进行预筛选，提出了改进的序列后向选择算法以剔除冗余特征。实验结果表明：文中提出的方法筛选出了一组与不同加工工艺的表面粗糙度均强相关的特征，并解决了特征冗余问题，利用这组特征建立的表面粗糙度测量模型能100%识别试件的加工类型，并实现对其表面粗糙度较高精度的测量，改进的序列后向选择算法将平磨、卧铣、立铣和研磨试件表面粗糙度测量模型的平均绝对百分比误差分别降低了1.22%、0.62%、4.99%和1.61%，解决特征冗余问题的同时建立的模型性能更优。

为有效解决高精度视觉定位测量系统中激光随机散斑导致的光斑质心定位精度降低问题，对散斑机理及抑制方法进行研究。从激光光斑的成像过程分析了激光随机散斑出现的原因，并推导出空间中任意一点总波扰表达式。建立了成像介质吸光性、粗糙度和表面出射光信噪比与随机散斑强度的关系模型，得出增加成像介质粗糙度和吸光性来提高出射光信噪比，进而降低随机散斑强度的结论。通过改变成像介质的物理特性进行对比实验，获得光斑质心位置稳定性随成像介质物理特性变化的趋势，验证了关系模型的正确性。实验结果表明，当激光功率为50 mW时，选取吸光性强、粗糙度与厚度适中的成像介质作为成像靶面，激光光斑质心的提取精度稳定在0.04个pixel之内，实现了对激光散斑的抑制，提高了光斑质心的定位精度。