在红外焦平面阵列探测器（IRFPA）非均匀性校正问题中，传统的神经网络算法会出现图像边缘模糊、对比度低、“鬼影”等现象。针对此类现象，本文提出一种基于侧窗滤波改进的神经网络非均匀性校正算法。该算法首先对输入图像采用侧窗滤波获得期望图像，在去除非均匀性噪声的同时保护目标边缘细节达到提升图像质量的效果。在此基础上，通过饱和非线性函数抑制校正参数局部发散，能够有效避免校正后图像出现‘鬼影’问题。实验结果表明，使用本文提出的算法能够有效去除图像中的非均匀性噪声，且无明显“鬼影”现象。在3组测试图像序列中，平均图像粗糙度降低了30.17%。在实验计算机上连续处理400帧图像序列最大耗时为37.417 0 s，较基于双边滤波改进的对比算法耗时减少了95.05%，较基于小波主成分分析的对比算法耗时减少了45.81%。本文算法在非均匀性校正效果和算法运行效率方面具有明显优势，为小算力、低功耗移动平台实现实时非均匀性校正提供了新的研究思路。

为实现卷积神经网络在低功耗、边缘计算等场景中的加速计算，设计了一种基于现场可编程门阵列（FPGA）的Winograd算法卷积神经网络加速器。首先，将图像数据和权重数据量化为8位定点数，并设计了硬件卷积计算过程中的量化流程，提升了数据传输速度和计算速度。接着，设计了输入数据缓存复用模块，将多输入通道数据融合后传输，复用了行重叠数据。然后设计了Winograd流水线卷积模块，实现列数据的组合复用，从而最大化重用了片上数据，降低了片上数据存储的占用和带宽压力。最后将加速器在Xilinx的ZCU104开发板上部署。经过实验验证，加速器的卷积层计算性能达到354.5 GOPS，片上DSP计算效率达到0.69，与相关研究相比，实现了1.6倍以上的提升。该加速器能够以高能效比完成基于VGG-16网络的遥感图像分类任务。

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。

针对真彩色微血管减压图像实时语义分割网络参数量大、语义分割精度低的问题，本文提出了一种适用于微血管减压场景的U型轻量级快速语义分割网络U-MVDNet (U-Shaped Microvascular Decompression Network)，该网络由编码解码结构构成。在编码器中设计了轻型非对称瓶颈模块(LABM)对上下文特征进行编码，解码器中引入了特征融合模块(FFM)，有效组合高级语义特征和低级空间细节。实验结果表明：对于微血管减压测试集，U-MVDNet在单NVIDIA GTX 2080Ti上的参数量只有0.66 M，平均交并比(mIoU)达到了76.29%，速度达到140 frame/s，且当输入图像尺寸为 $640 \times 480$时，U-MVDNet在嵌入式平台 NVIDIA Jetson AGX Xavier上实现了实时(24 frame/s)语义分割。本文方法未使用任何的预训练模型，参数量少且推理速度快，语义分割性能优于其他对比方法，在分割精度和速度上做到了良好的平衡。同时，还可以方便地在嵌入式平台上开发和应用，性能优越，易于部署。

光学成像敏感器是卫星姿态控制分系统的重要组成部分，用于月面景象的获取，可为月面着陆器完成障碍识别、路径规划和安全区域选取等功能提供图像信息来源。为实现光学成像敏感器装星后设备功能和性能的检测，需要一种可在室内为光学成像敏感器提供月面场景信息的光学仪器。设计和研制了一种胶片式的静态光学目标模拟器，该目标模拟器以胶片作为图像源，通过积分球均匀照明系统将胶片照亮，并经由光学镜头将胶片图像投射至无穷远处，从而供光学成像敏感器接收。设计完成的静态光学目标模拟器视场≥30°×30°，入瞳直径Φ5 mm，入瞳距离为41 mm，镜头焦距44.78 mm，图像像素分辨率≤1 024×1 024，各项指标均达到了光学成像敏感器装星后光闭路试验的要求。