合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network，DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。

基于手机成像质量颜色评价的必要性，提出一种融合相机主观场景成像色彩和白平衡的自动评测方法（CIQA），以充分提取彩色图像相关特征并模拟人眼视觉感知特性来评价图像颜色。首先使用尺度不变特征变换（Scale-invariant feature transform，SIFT）与透射变换相结合的方法，标识主观图像中ColorChecker标准二十四色卡对应的位置；而后构建离差率最小二乘法模型，并采用专家赋权法和熵权法计算色彩还原和白平衡指标权重分配比例；最后，通过多指标权重值对TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）进行改进，确定各方案与典型正负理想方案的接近程度，实现对智能手机成像质量颜色的优劣排序。对真实场景采集的图片进行实验，并与现有的两种决策方法进行对比验证。结果表明，所提方法能提高评价效率、节省人力，并可以获得与人眼主观判断一致性较好的评价结果。

为了解决“猫眼”目标在夜晚环境下难识别的问题，提出了一种基于归一化中心矩的轮廓匹配“猫眼”目标识别方法。首先利用中值滤波对图像进行去噪，采用固定阈值分割完成了对图像的分割，使得“猫眼”目标与部分背景分离，使用Roberts边缘检测提取出了所有物体的边缘，最后采取了基于归一化中心矩的轮廓匹配算法，该算法不受平移和放缩的影响，提取出了图像中的所有圆形目标，并利用面积判别识别了真实目标，对识别出的目标绘制最小外接圆，利用圆心坐标对其定位。通过对不同光照强度下的“猫眼”图像进行实验与对比，验证了该方法的可行性，并通过目标识别评价指标验证了该方法的有效性。实验结果表明，该方法的全局准确率可达92.1%，可以在夜晚环境不同光照强度下成功地对“猫眼”目标进行识别。

针对视觉同步定位与建图算法在遮挡情况下易受到干扰而导致定位误差较大且闭环检测精度较低等问题，提出一种融合混合注意力实例分割的视觉同步定位与建图算法。该算法能够动态调整被遮挡物识别权重，在出现遮挡情况时提升对被遮挡物的特征提取与识别能力。同时采用概率去误匹配算法去除错误匹配点对，增加位姿求解及关键帧选取精度，从而更好地修正机器人位姿、提高系统构图的准确率。通过KITTI公开数据集和真实场景对所提算法进行测试，结果表明，所提算法在闭环准确率上与ORB-SLAM2算法相比约提高10.7%，平移误差约减小27.6%，体现了良好的构图能力。

海上红外目标识别在海事搜寻中发挥着重要的作用，针对逆光海况下出现的目标反向对比度特点及其目标淹没于背景的问题，结合其直方图呈现的局部尖峰特点，提出了修正灰度占比的新直方图均衡化并融合边缘信息的增强算法。该算法可以有效地提升目标区域的对比度，从而提升海上红外图像的质量。在海上红外目标识别与检测中，建立了目标与背景的多尺度“九宫格”搜索框，演化了局部对比度显著性量化的数学模型，实现了符合人眼视觉特性的红外目标的准确定位与检测。在海上红外图像增强测试中，所提算法可以使原图像的平均梯度提升两倍以上，使局部对比度增益因子提升两倍以上。在目标识别的算法测试中，所提多尺度局部对比度目标检测算法可以使目标检测率达到99%以上。

原油作为一种重要的战略物资，在我国经济和**等多个领域均起到重要作用。本文提出一种基于深度学习的目标检测模型TCS-YOLO（Transformer-CBAM-SIoU YOLO），该模型在YOLOv5的基础上进行优化，同时基于吉林一号光学遥感卫星影像数据集进行实验，对全球范围内的储油罐进行识别与分类。优化内容包括：添加基于Transformer架构的C3TR层对网络进行优化；使用CBAM（Convolutional Block Attention Module）在网络层中添加注意力机制；使用SIoU（Scale-Sensitive Intersection over Union） loss代替CIoU（Complete Intersection over Union） loss作为定位损失函数。实验结果表明：与YOLOv5相比，TCS-YOLO的模型复杂度（Giga Floating Point of Operations，GFLOPs）平均减少3.13%，模型参数量（Parameters）平均减少0.88%，推理速度（Inference Speed）平均降低0.2 ms，mAP_0.5（mean Average Precision）平均提升0.2%，mAP_0.5∶0.95平均提升1.26%。与此同时，将TCS-YOLO模型与通用目标识别模型YOLOv3，YOLOv4，YOLOv5和Swin Transformer进行对比实验，TCS-YOLO均体现出了更高效的特点。TCS-YOLO模型对全球储油罐的目标识别具有通用可行性，可为遥感数据在能源期货领域提供技术参考。