为解决基于深度学习的立体匹配方法面临着网络规模大、网络结构复杂等问题，提出了一个网络规模较小、精度较高的网络结构。该网络在特征提取模块删减修改了复杂冗余的残差层并引入了空洞卷积金字塔池化模块来扩大视野范围，提取更多有用的上下文信息；在代价计算模块中使用了三维卷积层以成本聚合提升立体匹配的精度；最后，在代价聚合模块引用了双边格网模块以较低分辨率的成本量来获取精度较高的视差图。将该网络在KITTI 2015数据集和Scene Flow数据集等主流数据集上进行实验，结果显示，相较于其他主流优秀网络类如金字塔立体匹配网络（Pyramid Stereo Matching Network ，PSM-Net），网络规模参数量减少了约38%，并取得了较高的实验精度，其中Scene Flow数据集的终点误差（End-point Error，EPE）为0.86，是一个同时兼顾速度与精度的立体匹配网络。

云检测对于遥感图像的应用具有重要意义。目前已有的云检测方法关于遥感图像的偏振信息研究较少，性能和泛化能力有限。为有效利用遥感图像偏振信息，提出了一种基于深度学习的多模态融合遥感图像云检测方法并进行了初步实验评价。该网络是一种三参数输入流架构，具有编码器-解码器结构，利用通道空间注意模块对遥感图像中的反射率特征和偏振特征进行多模态融合。在解码器上采样阶段，利用迭代注意特征融合方法融合高、低级特征映射。评价实验数据集来源于多角度偏振成像仪 (DPC) 云产品和云掩码产品。评价实验结果表明，所提出的网络模型实现了良好的云检测性能，识别准确率达到93.91%。

光学元件中的杂质和缺陷会引起其激光损伤阈值的大幅降低，现阶段这一问题已成为激光装置向高功率、高能量方向发展的“瓶颈”，亟待解决。在对光学元件激光损伤的研究中发现，用低于光学元件损伤阈值的激光对元件表面进行预处理，可以有效提高光学元件的抗激光损伤能力。对激光预处理技术的提出背景、定性作用机理、定量理论模型及国内外技术应用现状进行了概述。并且介绍了一种可在薄膜制备过程中进行原位实时激光预处理的新型薄膜制备技术。最后指出，激光预处理技术作为一种无污染，可有效改善光学薄膜、光学玻璃、光学晶体元件损伤阈值的最有效方法之一，其作用机理、实用化、仪器化还有待进一步发展。

烟的存在会导致图像目标信息的损减或丢失。针对烟在场景中具有局域性，提出了基于目标检测Yolov3算法的去烟预检机制，即在去烟流程中增加预检机制实现对烟图定向去烟，提升去烟效率和避免对无烟区的影响。不同于现有针对可见光图像的基于深度学习去雾方法，该方法将四幅偏振态图像作为网络输入，并利用多尺度注意力对抗网络提取烟区目标的偏振态特征信息，从而缓解失真现象以及丰富去烟后目标的结构和细节信息。在真实数据集上的定性与定量实验结果表明，本文提出的算法有效提升了偏振图像的去烟效果和去烟效率。

为提高星模拟器光源系统光谱匹配精度，首先设计并搭建了基于数字微镜的星模拟器光源系统；其次，根据按波长标定的区域光谱进行遗传算法的光谱拟合，结果表明该方案拟合光谱与目标光谱存在一定匹配误差；最后，为提高光谱匹配的精度，提出了按波长和能量二维划分区域的误差反馈及精度提升方法。实验模拟了色温为2550、4766、6576、8910 K 光源，结果表明相较于波长方向一维划分的反馈方法，光谱匹配最大误差分别下降了55.7%、50.6%、45.2%、42.2%，极大地提升了星模拟器光源系统的光谱匹配精度。该研究旨在补偿该类色温匹配误差所引入的星敏感器角检测误差，达到高精度星敏感器的定标精度要求。

硫代巴比妥酸反应物(TBARS)是表征肉品脂肪氧化程度的主要化学信息。 为探究二维相关光谱技术(2DCOS)筛选羊肉中TBARS含量的特征变量的可行性, 利用高光谱成像技术结合2DCOS分析建立TBARS含量的快速无损检测方法。 采集样本在400~1 000 nm的光谱反射图像, 通过ENVI 4.8软件在光谱图像上手动设置感兴趣区域提取原始光谱数据; 采用偏最小二乘回归(PLSR)算法将光谱数据与TBARS浓度值进行关联, 解释二者之间的相关程度; Kennard-Stone(KS)算法划分样本集对模型进行外部验证; 为消除原始光谱中的干扰信息, 使用卷积平滑(SG), 去趋势(de-trending)和SG+de-trending三种预处理方法校正原始光谱; 将TBARS化学值视为微扰量, 采用2DCOS研究光谱信号的动态变化, 分析二维相关光谱及其切割光谱, 确定与微扰相关的特征变量; 变量组合集群分析(VCPA)、 竞争性自适应加权算法(CARS)和连续投影算法(SPA)用于全光谱变量和2DCOS特征变量的选择和优化; 利用线性建模方法PLSR建立代表性特征变量下TBARS含量的高光谱定量分析模型。 结果显示, de-trending预处理后建立的预测模型稳健性较好, 其RC2=0.874, RMSEC=0.106 mg·kg^-1, RP2=0.853, RMSEP=0.139 mg·kg^-1; 进行2DCOS分析发现579, 699, 756和867 nm处存在与TBARS含量密切相关的自相关峰, 579~867 nm范围内的特征变量是TBARS含量检测的相关区域; VCPA, CARS和SPA从全光谱数据和2DCOS分析中分别提取了7, 16, 20, 8, 24和14个具有代表性的特征变量; 由所获得模型的准确性和可靠性可知利用CARS在2DCOS分析中优选代表性波长建立的检测模型可以准确无损地评估羊肉中TBARS含量, 定量分析模型为: Y_(TBARS)=-0.15+2.99λ₅₈₈-7.01λ₅₉₃+7.45λ₅₉₈-6.14λ₆₀₃+7.06λ₆₁₂-8.25λ₆₂₂+2.64λ₆₃₁-4.18λ₆₃₆+13.91λ₆₄₆-11.3λ₆₅₅+12.64λ₆₇₅-8.51λ₆₈₄-7.81λ₆₈₉+1.08λ₇₀₃-2.54λ₇₁₃+5.47λ₇₂₇+6.62λ₇₄₂+5.69λ₇₅₁+2.48λ₇₇₅-1.93λ₇₈₀-6.95λ₇₉₀+7.09λ₇₉₉-3.56λ₈₀₉+1.82λ₈₁₉, 其RC2=0.857, RMSEC=0.113 mg·kg^-1。 2DCOS方法为光谱分析中变量的筛选提供了一种新思路, 高光谱技术结合2DCOS分析无损检测羊肉中TBARS含量是可行的。