针对海面运动载体的可见光序列图像，结合复杂海空背景图像的特点，提出了一种不以检测海天线为前提的弱小目标检测方法。首先，修复图像中被高亮度噪声损毁的部分，如曝光区域或反光区域; 接着，量化子图像的区域复杂度以及单元区域上下邻域的灰度差异，据此来判断海天线区域是否存在，若存在则预测海天线区域的位置，否则放弃后续处理; 然后，采取Mean-shift分割算法中先滤波后聚类的策略，使用周围纹理抑制滤波来平滑海天线区域，并以像素点和点集为单位对平滑图像进行聚类; 最后，将最大面积区域与其他区域分离来二值化图像，完成目标提取。试验证明，该方法能够很好地定位目标信息，单帧处理平均耗时为35 ms，具有准确性和实时性。

针对海面运动载体的可见光序列图像，紧密结合海面图像的特点，提出了一种适用于海天背景和海岸背景的海界线检测方法。根据量化子图像的区域复杂度以及单元区域上下邻域的灰度差异，来判断海界线区域是否存在，若存在则预测海界线区域的位置，若不存在则放弃后续处理。由于海界线是自然视野中最长的连续性最好的直线，所以先利用周围纹理抑制的改进Canny算子提取轮廓边缘，然后对Hough变换进行投票加权，精细检测水平或倾斜的海界线。实验证明，该方法能够快速定位海界线区域，并得出既包含有效信息又大幅缩减了无意义信息的二值图像，可在轮廓边缘中准确找到海界线，具有很好的稳健性和实时性，可以应用于需要精确的海界线信息的工程任务中。

在水下环境中，由于存在着水体对光线的吸收以及照明不均等原因，水下图像具有信噪比低、边缘模糊等特点。如果直接使用传统的分割方法，对水下图像进行处理后的效果较差。传统的基于最大熵原理的阈值法尽管能实现某些特定的分割任务，但是其时效性较差。而粒子群算法(PSO)是一类随机全局优化技术，该算法简单易实现，可调参数少。因此将群体智能中的粒子群优化算法应用到图像分割中。新方法在重新定义模糊熵的基础上，根据最大熵原理，利用粒子群算法来搜索分割阈值。相对于传统的利用穷举法来搜索分割阈值的算法，新方法大大减少了计算时间，提高了效率。通过对水下图像处理实验证明，该算法对简单背景的图像分割是有效的，和传统分割方法相比，具有更强的自适应性和抗噪性能。