提出融合变分模态分解（VMD）和自编码器的预测方法，将温升特性曲线分解成若干个子信号分量，其中包含高频的波动量、中间量和低频的趋势量，然后利用自编码器对每个分量进行预测，最后将分量的预测值相加，从而实现对PIN二极管温升特性曲线的精准预测。通过与多种机器学习方法的对比验证了结合VMD分解可有效提升预测精度，同时也验证了自编码器在特性曲线拟合上的优势。

为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题，充分提取红外与可见光图像中的特征信息，提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中，双通道结构由密集连接和残差连接模块级联构成，并设置一种综合像素、结构相似度和梯度特征保留的损失函数，使该编码器结构可以充分提取红外与可见光图像的多层次特征，在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合，最后设计对应的解码器对融合特征图像进行重构，获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比，结果表明该方法在主观和客观上都具有优秀的综合性能。

针对如何充分提取和融合红外与可见光图像典型特征的问题, 提出一种基于空间多尺度残差网络的图像融合算法。首先, 将源图像输入基于空间多尺度残差模块组成的编码器网络, 通过源图像重建任务, 训练编码器自动获取重要特征信息的能力；然后, 引入特征金字塔结构, 设计了特征通道自注意力机制, 编码器输出的基础层和细节层进行融合, 减小尺度噪声, 并由解码器重构出融合图像；最后, 利用公开数据集进行定性和定量实验, 证明了改进算法在突出红外图像目标和保留可见光图像纹理细节两方面的优势, 相比于DDcGAN算法, 新算法的标准差和平均梯度分别提升了12.91%和47.41%。

红外辐射在大气中传输会在大气分子、气溶胶粒子的吸收和散射以及大气自身辐射的影响下发生变化，导致红外辐射测量精度的降低。为消除大气在红外目标模拟器校准中的影响，在基于恒定标准源的宽动态红外辐射测量方法的基础上，提出了一种红外目标模拟器的大气传输校准方法。在水平均匀大气近距离的红外目标模拟器校准中，利用卷积神经网络的数据分析能力建立了不同波段、不同温度、不同距离下的大气透过率和大气程辐射的动态模型，将探测器输出电压作为基于编码器-解码器结构的卷积神经网络的输入，按照训练流程对网络进行训练，在实验环境下预测了大气传输对红外辐射的影响。所建模型能够反映大气透过率和大气程辐射的动态变化规律，并通过红外辐射反演对提出的方法进行了验证。实验结果表明：基于编码器-解码器结构的卷积神经网络算法能够较好地预测大气透过率和大气程辐射，在三个波段下的平均误差为3.0783%、3.8186%、5.3452%，低于传统方法，降低了大气透过率和大气程辐射的影响，从而减小了红外辐射的测量误差，提高了校准精度。

点云的无监督表征学习对于理解和分析点云至关重要，基于三维重建的自动编码器是无监督学习中的重要架构。针对现有的自编码器存在旋转干扰和特征学习能力不足的问题，本文提出一个旋转不变的2D视图-3D点云自编码器。首先，设计局部融合全局的旋转不变特征转换策略。对于局部表示，利用手工设计特征对输入点云进行转换，生成旋转不变的点云表征；对于全局表示，提出一个基于主成分分析（Principal Component Analysis， PCA）的对齐模块，将旋转点云对齐同一姿态下，在补充全局信息的同时排除旋转干扰。然后，在编码器设计局部和非局部特征提取模块，充分提取点云的局部空间特征和非局部上下文相关性，并建模不同层次特征之间的语义一致性。最后，提出一个基于PCA对齐的2D-3D 重构的解码方法，重建对齐后的三维点云和二维视图，使编码器输出的点云表征集成来自3D点云和2D视图的丰富学习信号。实验结果表明：本算法在随机旋转的合成数据集ModelNet40和真实数据集ScanObjectNN上的识别精度分别为90.84%和89.02%，学习的点云表征在没有任何标签监督的情况下实现了良好的可辨别性，并且具有较好的旋转鲁棒性。