针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种基于空谱半监督局部判别分析(S3ELD)和空谱最近邻 (SSNN) 分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性，在利用标记样本的判别信息保持数据集可分性的基础上，定义空间近邻像元散度矩阵来保存像元的空间近邻结构，提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3ELD算法不仅能揭示数据集的局部几何关系，而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类，进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明，S3ELD算法的总体分类精度分别达到了92.51%和96.29%；与现有几种算法相比，该算法能更有效地提取出判别特征信息，并达到更高的分类精度。

针对机动目标跟踪过程中量测噪声统计特性不确定的问题，提出了一种模糊自适应容积卡尔曼滤波（FACKF）算法。通过在线判断实际残差与理论残差的一致程度，利用模糊推理系统实时调整容积卡尔曼滤波的量测噪声协方差阵权值，从而修正量测噪声协方差阵，使其逐步接近真实噪声值，进而提高目标跟踪算法的自适应能力。使用角测量跟踪模型及主动雷达跟踪模型对算法效果进行仿真验证，实验结果表明，在观测噪声异常的情况下，FACKF算法比传统容积卡尔曼滤波和无迹卡尔曼滤波有更高的滤波精度与稳定性。

针对复合K噪声干扰下目标跟踪系统中出现的强非线性非高斯问题, 在给出一种复合K噪声统计模型的基础上, 提出将容积粒子滤波(CPF)与无迹粒子滤波(UPF)两种算法应用在典型目标跟踪系统中, 并对算法的跟踪性能进行了仿真分析。实验结果表明, CPF, UPF两种算法均能有效跟踪复合K噪声下的运动目标;其中, CPF算法表现出更高的跟踪精度和更好的实时性, 且具有更低的算法设计复杂度。

目标跟踪的模型通常可表示为一个线性的状态方程与一个非线性的观测方程, 为提高平方根容积卡尔曼滤波(SCKF)算法的跟踪精度和实时性, 提出了一种简化的平方根容积卡尔曼滤波(RSCKF)算法。简化算法在时间更新环节, 直接利用状态转移矩阵计算状态变量以及协方差矩阵的一步预测值, 避免了原算法中采用一组容积点近似计算的复杂过程,推导证明, 简化后的算法其时间更新环节与卡尔曼滤波的一步预测结果一致。最后对两种算法进行了计算复杂度比较以及角跟踪仿真实验。实验结果表明, 简化的算法能够降低运算时间并提高跟踪精度。

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。