针对红外与可见光融合图像存在纹理细节不丰富、对比度较低及目标信息损失等问题，提出了一种基于特征优化和生成对抗网络的图像融合算法。首先，设计一种自适应特征优化模块以增强原始图像纹理细节及对比度；然后，为使融合图像保留更多的多模态信息，将生成对抗网络引入到融合框架中。在生成器模型中，考虑到红外与可见光图像成像机理差异，构建了双支路特征提取网络，并设计多尺度密集连接模块以提取异源图像丰富的特征信息；其次，在融合层构造通道和空间注意力模型以增强局部特征之间联系，减小融合图像中目标信息损失；最后，为使融合结果尽可能保留可见光纹理细节的同时又能够较好突出红外目标，构造了双判别器网络结构。为验证所提算法优势，在TNO数据集上进行实验，并与6种经典融合算法进行主观和客观比较。实验结果表明，所提算法无论在主观还是客观评价上均具有明显优势，生成的融合图像纹理细节更为丰富、边缘及目标更加清晰且具有更好的对比度，客观评价指标信息熵、空间频率、相关熵、视觉保真度和梯度信息分别提高了16.11%、65.46%、7.96%、42.67%和33.24%。

针对复杂环境下光伏电池板热斑故障的多尺度目标导致检测困难的问题，提出一种融合知识蒸馏和注意力机制的检测算法。为实现故障特征信息高效提取与保留，设计一种融合高阶空间交互和通道注意力的模块以提升网络对于故障特征信息的表达能力；为增强复杂背景下目标信息表达能力，构建一种结合通道和位置信息的注意力模块来提高网络对于故障位置信息的识别准确率；采用知识蒸馏思想将教师网络的参数迁移至学生网络，在不增加任何复杂度的前提下提升学生网络的检测精度。为进一步精确定位热斑目标，引入Focal-CIoU损失函数加速网络收敛，从而提升检测性能。为验证算法有效性，与8种经典算法进行比较，实验结果表明，本文算法的检测精度最高，精度达84.8%，对于分辨率为640×512的图像检测速度可达142 FPS。

针对传统红外与可见光图像融合结果存在目标模糊、纹理细节丢失以及伪影等问题，提出一种基于目标增强与蝴蝶优化的红外与可见光图像融合算法。针对红外图像因成像机理导致的融合目标边缘模糊问题，构造基于目标边缘强化的红外图像增强模块；为解决因可见光图像质量较低而造成的融合图像细节缺失问题，搭建基于带色彩恢复因子的多尺度Retinex可见光增强模块；然后，利用四阶偏微分方程-主成分分析法对红外和可见光增强图像分别进行边缘平滑处理，以解决融合结果存在的伪影问题；最后，为使最终融合结果突出目标的同时保留更多的纹理细节，设计了基于蝴蝶优化的图像重建模块，以实现重建图像权重的自适应分配。为验证所提出算法的优势，将所提出的算法在TNO，INO，M3FD以及RoadScene数据集上与6种经典算法进行比较。实验结果表明，相比于对比算法，本文算法的信息熵、空间频率、均方差、联合熵、视觉信息保真度和自然场景6个客观评价指标上分别平均提高了9.24%，38.88%，51.11%，4.65%，35.44%，19.36%，融合结果目标边缘清晰、对比度强、无伪影且纹理细节丰富。

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题，提出了一种基于密集卷积和域自适应的高光谱图像分类算法，首先在源域中使用密集卷积进行深度特征学习，然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习，但是当深度增加时会出现因梯度消失而导致分类精度下降的情况，因此本文通过引入密集卷积进行深度特征学习，提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性，整体分类精度分别为61.06%和89.63%，与其他域自适应高光谱图像分类方法对比，所提方法具有更好的分类精度。