高分辨光学成像技术对生物学、生命科学以及材料科学的发展都有重要意义。主流的高分辨光学成像技术依赖荧光成像，但是荧光高分辨成像不能揭示分子特异性信息且极易导致细胞毒性。而光热显微成像技术是一种兼具成分分辨和非侵入性的新兴技术，能够填补高分辨荧光成像的缺陷，具有极大的应用前景。对光热显微镜技术的实现原理、技术发展进行简要介绍，并总结提高中红外光热显微成像的探测极限和分辨率的措施，旨在为进一步推动高灵敏度和超分辨光热成像技术的发展提供借鉴思路。

高动态范围成像图像是真实表示自然场景中高动态范围亮度的图像，可以反映更多自然场景的信息。多曝光融合以无需改进硬件、算法流程简单的优点成为重建高动态范围图像的重要手段之一，并已在手机相机、工业相机等多个领域得到广泛应用。首先，分别依据融合层次、运动像素处理方式对静态场景、动态场景的多曝光图像融合方法进行分类总结，并对基于深度学习的方法进行单独分析总结。其次，针对多曝光图像融合的相关数据集和性能评价指标进行综述，并对融合方法使用的性能评价指标进行汇总。最后，对多曝光图像融合研究值得关注的问题进行展望，提供了后续相关研究的思路。

烟幕是一种应用较为广泛的无源干扰手段，在对抗各类光电侦察和光电制导装置方面发挥着重要作用。烟幕遮蔽和干扰效果评价是评估光电对抗效果、进行战术部署的重要依据，是烟幕技术的重要研究内容。针对目前评价方法杂、评价方法选用无据可依的现状，在综述当前烟幕遮蔽和干扰效果评价研究现状的基础上，从烟幕本身的遮蔽性能、被干扰对象工作性能、烟幕干扰前后图像质量受影响的角度，系统归纳了能较好地描述烟幕遮蔽和干扰效果的主要评价指标及其测试方法，指出了方法的优缺点、适用场合与局限性，并对下一步研究工作和发展方向进行了展望。

氢气物性活泼，容易泄漏引发着火爆炸事故。在布置点型氢气传感器的基础上，通过拉曼激光雷达遥测技术加强氢气泄漏非接触式远距离、大覆盖面监检测，能够为氢能利用场景多元化的高速发展和保障氢能安全高效利用提供支撑。首先概述了气体拉曼散射基本原理，其次从系统结构和检测效果两方面介绍了国内外氢气泄漏拉曼激光雷达遥测技术的研究进展，最后对拉曼激光雷达遥测技术在氢气泄漏监检测方面的应用进行了展望。

利用图像离焦线索生成对应深度图像的方法因其快速、方便目前被广泛使用，但是离焦图像在离焦程度过高或过低时通常会丢失图像的深度信息，导致生成的深度图像不符合实际使用要求，因此需要对这些图像进行判别分离，但现有方法对不同场景的离焦图像模糊程度判别精度不足，缺乏统一标准，无法有效对离焦图像进行判别分离处理。针对此问题，提出一种融合图像灰度比值的离焦图像自动判别方法，首先，通过分析并利用离焦图像不同区域的梯度特征、频域特征，对图像模糊区域和清晰区域进行有效区分。其次，融合上述特征图像获取融合图像，因离焦图像的模糊区域和清晰区域离焦程度相差较大，表现在融合图像中两部分灰度值对比明显，因此利用融合图像两部分灰度平均值的比值作为判断离焦程度的衡量标准，当离焦图像该比值超出设定的阈值标准时，则认为该图像不满足深度图像生成条件，该图像将自动进行分离。最后，对比现有清晰度评价函数与本文方法对相同场景与不同场景、不同离焦模糊图像进行模糊程度的判别结果，发现所提方法可以较为准确快速地判别相同及不同场景下离焦图像模糊程度，有效分离不符合条件的离焦图像，提高深度图像的生成效率。

随着垃圾污染问题日益严重，垃圾自动检测识别具有越来越重要的应用价值。改进了YOLOv5算法，提升了对户外复杂背景下垃圾的检测性能，收集了6个类别的户外常见垃圾的图片，建立了一个背景复杂的垃圾图片数据集，提出了一种简单、高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成垃圾目标物预测热力图的分支结构。随后，将预测热力图送回YOLOv5的backbone结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能，改进后的网络仅增加了少量参数，生成了效果可观的预测热力图，垃圾检测的性能得到较大提升。

针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题（Non-IID），提出了一种基于自适应聚合权重的联邦学习算法（FedAaw）。在全局模型聚合过程中，提出准确率阈值来筛选出本地模型，并由中心服务器采用筛选后模型的准确率计算相应的聚合权重，从而对全局模型进行聚合，使得分类性能较佳的模型参与全局模型的构建，以达到缓解多中心数据Non-IID的问题。同时，为提高模型挖掘图像长短距离信息之间的能力，在本地和全局模型中引入多头自注意力（MHSA）机制。此外，为缓解端对端的冗余特征造成的模型过拟合问题，提取全局模型中卷积核的特征，并采用基于L₁范数的稀疏贝叶斯极限学习机（SBELML₁）的集成学习方法完成各中心数据的特征分类。最后，通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1（0.7947~0.8037）、中心2（0.8105~0.8405）、中心3（0.6768~0.7758）、中心4（0.8496~0.9063）、中心5（0.8913~0.9348），该结果表明：FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。

采用摄影测量方法对航天器天线面形进行在轨高精度测量，需对大视场角相机内外参数进行实时在轨标定。恒星可作为不变基准辅助在轨相机标定，但需对所拍星图中的星点进行识别得到其星点矢量信息。提出了一种针对大视场角相机所拍星图的快速识别方法：首先，结合标定结果的星图识别策略，提高匹配准确性；然后，基于四颗星星间角距的标签搜索匹配方法，将复杂度减小至线性，实现快速准确匹配；最后，基于反投误差分析的匹配检验方法，避免误识别。实测实验表明：对采集到的2000张星图进行识别，相比于传统三角形星图识别算法，所提方法兼顾了识别速度和识别率，识别率达到99.5%，识别时间减少75%，证明此方法合理有效，可节省存储空间，提高星图识别速度，提高星图识别率，具有很好的实用价值。

在利用细胞显微切割术进行显微成像时，由于存在仪器热噪声、样本表面特性和样本染色制备情况等因素干扰，显微成像质量容易受损。针对这个问题，提出一种基于多模块组合的去噪网络模型（DNMMC），该网络模型使用通道关联模块、多尺度去噪模块和融合压缩模块对输入图像进行处理并在最后输出降噪图像。将所提方法与目前主流的去噪方法在定量测量和视觉质量感知方面进行比较，实验结果表明DNMMC在对生物显微图像降噪上具有更高的鲁棒性。可见，该方法可以显著提高生物显微镜的成像质量。

为了提升雨天车辆检测的精度，解决智能网联汽车的车辆检测系统受雨纹干扰导致精度衰退的问题，提出一种雨天车辆检测的两阶段渐进式图像去雨算法。该算法搭建了以轻量级特征提取与加权模块、高效率特征传递与融合模块为核心的两阶段渐进式去雨网络，实现了对雨纹信息的挖掘与捕获，完成了雨纹的精准去除。为了验证所提算法的有效性，融入基准车辆检测器YOLOv5，对输入YOLOv5的去雨图像进行检测。同时根据智能网联汽车的工作环境构建了混合车辆数据集。在该数据集上的结果表明：雨天交通场景下，相比其他算法，所提去雨算法对基准车辆检测器YOLOv5的精确率、召回率、mAP@0.5的增益分别为3.0个百分点、8.9个百分点、7.6个百分点，证明所提去雨算法能够显著提升对雨天车辆的检测精度，可应用于实际场景。

针对现有深度学习算法在进行医学图像配准时出现的模型对噪声敏感、精度较低等问题，提出一种基于结构光和CT图像的点云配准算法，旨在提高配准精度、算法鲁棒性的同时，避免图像采集过程中X射线带来的辐射。首先，向术中患者体表投射编码后的结构光，并使用主成分分析方法获取主轴矫正后术中患者的体表点云；然后，对术前患者进行CT扫描并进行三维重建及采样获取术前患者的体表点云。最后，构建一种基于特征重用和注意力机制的动态图卷积网络模型结合图像迭代配准算法进行人体背部点云配准。整个过程较好地融合了两种模态的信息，且具有无辐射、精度较高、用时较短等优点。

针对主流单阶段实例分割算法因冗余语义信息造成实例掩码缺失和泄漏的问题，提出一个基于语义对齐和图节点交互的实例分割算法。在全局掩码生成阶段，设计一个语义对齐模块，通过全局映射和高斯映射评估语义信息对全局和局部语义完整性的影响，从而对冗余语义信息进行抑制。此外，在实例掩码组装阶段，设计一个图节点交互模块。该模块通过对特征图进行图结构数据变换和图节点信息交互，提取拓扑图的空间特征，补充了掩码组装信息，进一步提高了实例掩码的准确度。实验结果表明，所提算法在MS COCO数据集上实现了38.3%的平均精度均值（mAP），与其他先进算法相比，有很强的竞争力。

为解决白酒瓶盖封装表面质量检测和算法参数庞大难部署的问题，对YOLOv5s进行改进并提出了更轻量化和高精度的SEGC-YOLO算法。首先，采用ShuffleNet V2替换原始骨干网络，有效简化参数，引入高效通道注意力机制增强骨干网络。再使用基于GhostNet改进的GhostConv和C3-Ghost模块增强颈部网络，减少颈部参数量。另外，使用CARAFE算子替代最近邻插值上采样算子，利用自适应内容感知的上采样预测核提升颈部网络的信息表达能力，进而提升检测精度。最后，训练应用Adam梯度优化器来提高检测精度。实验结果表明：所提SEGC-YOLO算法在不同交并比（IoU）阈值下的平均精度均值mAP@0.5为84.1%和mAP@0.5∶0.95为49.0%，分别优于原始YOLOv5s算法1.2个百分点和0.5个百分点，并且浮点运算数（FLOPs）比原始算法减少了69.94%、参数量减少了71.15%和模型文件大小减小了69.66%，更加精准和轻量化。所提SEGC-YOLO可以快速、精准地检测瓶盖表面缺陷，为相关领域快速缺陷检测和设备部署提供了数据和算法支持。

肾肿瘤危害极大，严重影响人类身体健康，对肾肿瘤进行早期检测和诊断有助于患者的治疗与康复。为高效地从腹部电子计算机断层扫描（CT）图像中分割出肾脏及肾肿瘤图像，提出一种基于三维U²型网络（U²-Net）的分割方法。首先，将二维U²-Net升维并调整网络深度、损失函数与深度监督策略；其次，为了增强解码端的特征表达能力，提出残差特征强化模块，对解码端特征图进行通道与空间域的强化；最后，为提高网络对全局信息的提取能力，提出基于全局特征的多头自注意力模块，计算特征图所有体素点间的长期依赖关系，获取丰富的三维医学图像上下文信息。所提方法在KiTS19官方数据集上的实验结果表明，平均Dice值为0.9008，参数量为4.60 MB，与现有方法相比，所提方法能够在参数量较小的前提下，取得较好的分割精度，对小内存嵌入式肾脏和肾肿瘤图像分割系统具有很高的应用价值。

针对当前线扫相机标定过程复杂且需外部辅助装置的问题，提出建立在2D空间中的线扫相机静态标定方法。首先，从应用角度出发，将3D空间的线扫模型推导至2D空间，建立2D空间线扫相机成像模型，设计一种新型的线扫相机标定板。接着，利用交比不变性原理对2D空间的线扫相机模型进行求解。最后，提出一种利用畸变变化量的畸变拟合策略，解决小畸变情况下畸变矫正误差过大的问题，取得了良好的畸变矫正效果。实验结果表明，所提2D空间中的线扫相机静态标定方法标定过程简便，不受现场环境限制，标定精度较高，取得0.06 mm的平均绝对误差（约1.5像素），误差标准方差稳定在0.068以下。所提方法基本满足在中低标定精度下的应用要求，具有较高的实际应用价值。

为了消除投影仪的伽马效应，近年来二值条纹投影轮廓术得到快速发展。如何确定合适的离焦量是二值条纹离焦投影三维测量的关键问题。离焦不足时，条纹会包含高阶谐波；离焦过度的话，条纹对比度降低，相位分辨率降低，同时噪声的影响相对变大。离焦不足或离焦过度都会影响相位测量精度。为了解决这一问题，基于数字相关法提出一种最优离焦量的确定方法。该方法利用条纹与其二阶微分的相关性来确定最佳离焦量，以获得准正弦条纹。在欠离焦和过离焦情况下，相关系数均较小，只有当条纹为准正弦条纹时，相关系数取得极大值。对该方法进行了数值模拟和实验验证。实验结果表明，所提方法具有速度快、准确性高的优点，可在二值条纹投影过程中实时跟踪相关系数并确定最佳离焦量。

提出一种基于离散W变换的差分调制计算鬼成像方法。使用正负两组离散W变换基图案对光源进行差分调制，根据桶探测器测量的光强值获取目标对象的频谱，通过矩阵形式的逆离散W变换重构目标图像。仿真和实验结果表明，该方法可以从压缩测量中获得图像，通过差分测量可以消除背景噪声，获得良好的图像质量，并且可以通过逆变换实现快速重建。与其他方法相比，该方法在成像质量上更具优势。

人的面部结构信息具有非常高的独特性，通过对人脸进行三维测量和重建，所得数据可以用于人脸识别、医学整形等用途。利用结构光投影技术，通过投射特定编码的近红外光栅条纹到人脸上，解算得到人脸的三维形貌。同时根据二维纹理图像进行人脸特征点的检测与识别，获取人脸关键特征点的分布。最后结合二维分布的特征点和三维的点云信息，实现对人脸关键特征信息的准确获取与理解，为未来三维人脸检测的应用，如医学医疗、人脸识别检测、虚拟人类的数据输入等提供参考。

为实现无标记样本的定量检测，借助NX12.0搭配相关器件自主设计了一款小型化相位显微镜。相较于市面上售价高昂的相位显微镜，所设计显微镜无需相干器件，且在满足系统分辨率的前提下，将体积缩小了约60%，大幅提高了便携性，同时成本仅需5000元左右。系统中还嵌入了自动对焦算法和基于变换域的视场校正算法，以加快检测速度和相位恢复的准确率。经测试，系统在10倍物镜下的分辨率达到了分辨率板极限2.19 μm，同时随机相位板的检测表明相位恢复的准确率也达到了基本需求。除此之外，还对活细胞结构和平面玻璃的缺陷进行了测试。结果表明，所提系统不仅能对活细胞进行较好的定量测量，还可以在透明/半透明平面缺陷的检测中发挥重要作用，更是证明了这种成本低、便携性高、可实现无标记样本定量的系统设计方案的可行性。

针对点云去噪过程中难以分离和去除贴近模型表面的噪声，或者去除时会损失有效数据点的问题，提出一种改进的点云引导滤波算法。首先使用统计滤波筛选出较难平滑的噪声，并进行初次引导滤波，降低平滑难度较大的噪声对整体滤波效果的影响；然后根据点云各点的几何特征，自适应地调整权重参数，并将其代入改进的引导滤波算法中，对点云整体进行二次引导滤波，利用自适应的权重参数，得到更加光滑且保留有效数据点的点云数据。实验结果表明，所提算法对噪声点云的平滑效果更明显，处理后的点云模型有较明显的边缘线条，较难平滑的噪声也能得到很好处理。

线激光扫描技术多用于零件的表面检测，也可用于物体的三维重建。许多浮雕工艺品由于没有数字模型而无法复现，可利用线激光扫描将浮雕逆向生成三维模型，便于浮雕工艺品的加工。通过结合机器人与线激光，获取浮雕的点云数据，逆向建立浮雕的三维数字模型。搭建三维重建系统，根据实际模型的尺寸计算出机器人的扫描路径，机器人结合线激光扫描得到浮雕点云数据；进行点云数据的预处理，再根据基准平面，补偿带有机器人误差的点云数据；利用基于衍生的迭代最近点（GICP）算法进行点云的自动拼接，并对点云进行后处理；随后利用Delaunay三角剖分算法与曲面重建算法进行三维模型的重建。以老鹰浮雕为重建对象进行实验，实验结果表明用路径扫描拼接的点云处理更为方便，补偿数据后，精度可提高40.48%，有显著补偿效果，浮雕模型重建后与基准模型的标准差平均为0.0576 mm，可满足浮雕模型的重建需求。

针对传统边缘检测方法受高斯噪声、椒盐噪声污染及边缘梯度变化幅度小等因素影响而出现的物体轮廓检测效果不理想、误检率、漏检率高等问题，提出Canny-Cauchy边缘检测算法。该算法是Canny算法的一种改进，首先对椒盐噪声图像进行自适应中值滤波预处理，在清除椒盐噪声的同时保护边缘不被模糊。在滤波器的设计上，该算法使用柯西分布函数的一阶导数作为边缘检测函数，通过对函数采样得到边缘检测滤波器。对所提边缘检测函数按照边缘检测算法的三条设计准则进行理论分析，并在BSDS500数据集上与其他边缘检测算法进行对比实验。实验结果表明：在降噪方面，该算法可以在20%密度的椒盐噪声下保证处理后图像的峰值信噪比大于30 dB，结构相似性大于0.9；在边缘检测方面，该算法比传统Canny算法对白噪声的抑制能力以及对真实边缘的响应能力更强，在BSDS500数据集上的F1分数提升了7.5%，平均准确率提升了10.2%。

针对目前轨道交通市场上的一些以人工智能为主的地铁车辆列检产品在车辆变速时检测精度不高的问题，提出一种基于计算机视觉的地铁测速方法。首先，通过图像透视变换获取校正后的地铁图像，在校正后的图像基础上，利用深度学习目标检测方法定位车身区域。其次，对相邻两帧图像定位到的车身区域进行特征点检测，并采用区域最强特征点匹配方法获取匹配点对。然后，根据匹配点对计算出地铁移动的平均像素距离，结合像素尺寸换算出实际移动距离，再通过已知的相邻两帧图像时间差即可获取当前地铁实时速度。最后，根据实时检测的速度信息实时调整线扫相机行频，尽可能减少地铁车辆变速或者停车时产生的图像畸变，进一步提高地铁列检产品在车辆变速时的检测精度。在上海地铁17号线朱家角站的实际测试结果表明，由该技术获取的地铁车辆线扫图像不会因车速的变化而产生明显畸变，而且测速频率高，测试误差在1.2 km/h以内。

针对菠萝削皮流水线生产加工过程中菠萝表面有内刺残留，需要人工二次去除内刺的问题，采用图像处理的方法对菠萝内刺进行特征提取与空间定位，从而确定菠萝内刺的精确位置，以实现菠萝内刺的自动化去除。设计了菠萝图像采集系统以及针对当前系统的菠萝内刺检测算法。对菠萝图像进行预处理，将内刺特征从背景中分离出来剔除干扰特征，并将内刺的轮廓作为提取特征。轮廓的面积和轮廓的圆度作为描述子，菠萝内刺轮廓最小外接矩形的中心坐标作为菠萝内刺在图像中的位置，利用菠萝外轮廓将内刺的二维坐标转换成三维坐标从而精确定位菠萝内刺。对比实验表明：菠萝内刺检测算法准确率明显高于传统的斑点检测算法，内刺中心位置拟合精度较高，检测最大误差为0.63 mm，平均检测误差为0.33 mm。研究表明，平均检测速度和精度都能满足菠萝内刺去除工序的需要，这为菠萝流水线加工过程中的内刺去除提供一定的技术基础。

针对激光雷达因为颠簸等路面原因突然转向和做摇摆运动所造成的运动漂移问题，提出一种基于连续时间样条约束的改进激光里程计。在运动非连续性假设下，基于扫描关键帧和样条分割来提高点云匹配精度，然后添加样条约束，基于改进迭代最近邻（ICP）算法进行帧与地图匹配，有效抑制运动轨迹的漂移。在KITTI里程数据集和实验室采集的里程数据集上的实验结果表明，所提激光里程计改进算法分别使运动轨迹的全局平均误差降低了12.43%、29.40%。与目前基于几何特征的方法相比，所提改进激光里程计稳定且有效抑制了运动轨迹漂移，改善了激光里程计性能。

针对红外图像船舶目标检测方法的准确性和实时性还不能满足海防场景需求的问题，提出一种基于改进YOLOv7算法的轻量级船舶检测算法。该算法首先在Backbone网络中引入MobileNetv3主干网络，实现模型轻量化处理。然后在Neck网络引入注意力机制抑制噪声与干扰，以提高网络的特征提取能力，并采用双向加权特征金字塔，以提升特征融合能力。最后引入Wise IoU优化损失函数，提高模型的收敛速度与精度。在艾睿数据集上的实验结果表明，相较于YOLOv7，所提改进算法的精确率、召回率、平均精度均值（mAP）@0.5与mAP@0.5∶0.95分别提升0.9个百分点、2.5个百分点、1.2个百分点和1.2个百分点，模型参数量降低了约38.4%，浮点运算数（FLOPs）降低了约65.5%。所提改进算法在满足检测速度要求的同时得到了更优的检测精度，有效地实现了高速、高精度的船舶检测。

针对现有的三维测量系统在线激光标定过程中存在多线不易标定、提取特征点精度低等问题，提出一种新的多线激光分类与光平面标定方法。首先利用steger算法提取激光中心线，利用基于轮廓判断的方法对中心线进行分类；然后对标定板上的关键点进行检测，利用奇异值分解得出摄像机与标定板的对应关系矩阵，进而可利用对应关系矩阵，求解关键点在相机坐标系下的三维坐标；拟合标定板在相机坐标系下的平面方程，即可求出激光线在标定板平面上的三维点。多次变换标定板位姿，最终可完成多线激光平面标定。对标准块的重建实验结果表明，所提方法的重复测量均值尺寸精度达0.02 mm，满足工业精度要求，证明了所提方法的有效性。

针对现有点云配准算法在跨源点云上配准效果不佳的问题，提出一种基于角度约束的跨源点云配准算法。该算法重新定义快速点特征直方图（FPFH）算法的权重系数，以适应不同尺度的点云数据，提高匹配点对的内点率；同时使用角度约束对匹配点对进行筛选，保留兼容性良好的匹配点对用于尺度估计，对两个点云的尺度进行统一。在粗配准阶段，筛选出满足距离约束的兼容三角形，计算粗配准矩阵，完成初步变换。最后利用迭代最近点（ICP）算法进行细配准，提高整体的配准精度。实验结果表明，所提算法对相同尺度和不同尺度的点云数据均具有较好的配准效果，且具备快速配准点云的能力。

针对工业干扰环境下金属齿轮表面缺陷自动化检测容易出现误检和漏检的问题，提出一种改进的YOLOx算法。首先，通过adaptively spatial feature fusion（ASFF）充分利用不同尺度下缺陷和干扰项的特征之间的差异，提高模型的抗干扰能力；接着，通过efficient channel attention（ECA）模块，增加网络的特征提取能力；最后，修改置信度损失函数为Varifocal损失函数，减少困难样本对网络的干扰。实验结果表明，改进的YOLOx网络与原版相比在召回率、准确率和平均精度均值上分别提升6.1个百分点、4.6个百分点和9.4个百分点。

在工程应用中使用三维激光雷达的基础是对激光雷达的外参数进行标定，而对激光雷达外参标定通常都需要其他传感器的数据进行联合标定，且标定方法复杂，过程耗时较长。对此，提出一种简便的自动标定算法。首先利用RANSAC算法拟出多个平面，并通过相邻点法向量的夹角进行平面的二次筛选得到其平面方程，再根据平面方程得到平面间的交点坐标，使用反对称矩阵构建旋转矩阵，进一步利用交点坐标在雷达坐标系与世界坐标系下的不同求得近似转换关系，最后利用最小二乘思想对近似矩阵进行优化，得到较为准确的旋转位移矩阵。所提算法可以在特征点、角点点云缺失的情况下，通过平面方程拟合出较为精确的角点。仿真结果表明，该算法是可行的。

面向数字图像识别，使用光学器件构建基于快速傅里叶变换（FFT）的光学神经网络（ONN），其中的线性光学处理单元由马赫-曾德尔干涉仪（MZI）实现。这些MZI以网格状布局连接，对通过的光信号进行调制，实现乘法和加法，从而实现对图像的分类识别。针对该ONN对手写数字图像进行识别出现的问题，研究训练算法中的主要超参数即动量系数和学习率对网络性能的影响。首先比较不同学习率下随机梯度下降（SGD）、均方根传递（RMSprop）、适应性矩估计（Adam）和自适应梯度（Adagrad）4种训练算法结合不同非线性函数和不同隐藏层个数后，ONN在识别手写数字图像上的表现。实验结果显示：在学习率从0.5变化到5×10^-5、RMSprop训练算法下，具有2个隐藏层、非线性函数为Softplus的FFT型ONN具有最高的识别精确度，达97.4%。此外，着重分析在具有不同动量系数的SGD算法结合不同非线性函数和不同隐藏层个数时ONN对手写数字图像识别的准确率、运行内存和训练时间的影响。进一步，在学习率为0.05和0.005时，比较了SGD、RMSprop训练算法以及各自在引入动量后的网络识别性能。实验结果显示：动量系数为0时，采用SGD算法训练的具有2个隐藏层、非线性函数为Softplus的ONN的识别精度为96%，动量系数为0.9时，ONN的识别精度提高到96.9%；而加入动量的RMSprop算法会导致网络识别准确率不收敛或收敛较慢。

针对传统激光雷达地面分割算法在处理复杂坡度路面时存在实时性差和阈值依赖等问题，提出一种基于粗-细两阶段处理的地面分割算法。首先将点云划分成扇形区域，自适应确定每个区域的局部坡度阈值，以完成第一阶段粗分割；然后将粗分割后的点云投影到RGB图像上，使用图像膨胀算法获得“未知分类点”；最后利用划分多区域确定距离阈值的思想，筛选出有效点对“未知分类点”，执行卷积滤波实现细分割。实测数据处理结果表明，所提算法在平坦路面和复杂坡度路面场景下的地面点分割精确率均在96%以上，召回率也维持较高水平，均在95%以上，且局部坡度阈值可以自适应调整，具有较好的鲁棒性，平均耗时为16.57 ms，满足无人车辆实时性的要求。

云的存在影响着遥感影像的广泛应用。基于高光谱观测卫星全谱段光谱成像仪的空间分辨率高和波段范围广的特点，提出一种适用于全谱段光谱成像仪数据的改进多通道阈值云检测算法。首先，根据云层在可见光到热红外通道的变化特征分离潜在云像素和清晰像素；然后，将温度概率、变异概率和亮度概率相结合，分别生成陆地和水体的云概率掩模；在此基础上，利用潜在云像素和云概率掩模得到潜在云层；最后，对潜在云层应用晴空恢复测试来减轻陆地水体以及冰雪上空云的误判。将改进的多通道阈值云检测算法结果与传统的多通道阈值云检测算法结果进行定量对比分析。结果表明：改进的算法能适用于不同的地表场景且得到较好的检测效果，平均总体精度为92.0%，差异度总体降低3%，平均云像元正确率和晴空像元正确率分别为92.4%和91.8%，错分和漏分误差显著降低；尤其在高亮地表，在城市和冰雪上空的平均云像元正确率分别提高4%和5%，差异度分别降低4%和2%。所提算法的云识别效果优于传统的多通道阈值云检测算法的结果，并且运行效率较高。

遥感场景分类旨在为航空图像指定特定的语义标签，是遥感图像解译中一个基础且重要的任务。现有的研究主要利用卷积神经网络（CNN）学习全局和局部特征，提高网络的判别性表达。然而基于CNN的方法的感受野在建模局部特征的远程依赖性方面存在局限性。近年来，Vision Transformer（ViT）在传统的分类任务中表现出了强大的性能。Transformer的自我注意力机制将每个Patch标记与分类标记连接起来，捕捉图像像素之间的上下文关系，考虑空间域中的全局信息。提出一个基于局部选择ViT的遥感场景分类网络。首先将输入图像分割成小块的Patch，将其展开转换成序列，并进行位置编码添加到序列中；然后将得到的序列输入编码器中；除此之外，为了学习到局部判别特征，在最后一层输入前加入局部选择模块，选择具有判别性的Token作为输入，得到最后用于分类的输出。实验结果表明，所提方法在两个大型遥感场景分类数据集（AID和NWPU）取得不错的效果。

为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。

FY_3D卫星中分辨率成像仪（MERSI-II型）自发射以来，主要应用在气象观测、环境监测、防灾减灾等方面。FY_3D卫星过境时的观测角度会影响定标精度，基于此，提出一种基于双向反射分布函数（BRDF）模型的场地定标方法。2022年7月在敦煌校正场开展星地同步测量实验，并利用2020年7组不同时刻的无人机多角度观测数据基于6种核函数组合方式建立42种BRDF模型。针对不同观测角度下的FY_3D影像，对构建的BRDF模型进行适用性分析。并计算基于BRDF模型传感器各波段的表观反射率与卫星实测的表观反射率相对偏差。结果显示：敦煌场地BRDF模型校正地表反射率时会受卫星观测角度影响，不同模型校正地表反射率之间的差异，受时间及太阳角度的影响不超过1%，受不同核函数组合方式的影响不超过3%。FY_3D MERSI-II型2021年B1~B12波段模型计算的与卫星观测的表观反射率平均相对偏差均小于5.22%，2022年B1、B2波段模型计算的与卫星观测的表观反射率平均相对偏差超过8%，其余波段均小于5.74%。