针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。

盐胁迫影响植物生长发育, 制约农作物安全生产。细胞内钠离子毒害是导致盐胁迫的主要因素之一, 细胞内积累过多的钠离子会抑制光合作用及蛋白合成等一系列生理生化活动。因此, 植物细胞内钠离子动态平衡对于维持植物正常生长发育至关重要。本文从盐胁迫对植物的危害、钠离子转运、信号传导等方面来阐述植物应答高盐胁迫的研究进展, 以推动对植物盐胁迫响应机制的研究。

针对合成孔径雷达图像与光学遥感图像模式差异大、相互转换困难的问题,基于现有空间分离图像转换框架,提出了一种基于空间分离表征的循环一致性生成对抗网络(GAN)。以更深的网络层和跳跃连接完成图像风格和内容分离,通过学习内容映射关系,完成内容特征转换,而后组合目标风格特性实现图像转换。利用PatchGAN判别器,强化模型的图像细节信息生成能力,并新增目标误差损失和生成重建损失将转换任务限制为一对一映射,减少信息添加,约束生成网络。在SEN1-2、SARptical、WHU-SEN-City数据集上进行实验验证,相较于其他图像转换算法,所提方法能够有效实现两类遥感图像互转,生成图像清晰度高、细节特征完整、真实感强。

针对多尺度目标检测问题,提出一种基于深度注意力机制的多尺度红外行人检测方法。首先,选取较为轻量级的Darknet53作为深度卷积特征提取的主干网络,设计四尺度的特征金字塔网络负责目标的定位和分类,通过引入更低层高分辨率的特征图来改善对小尺度行人目标的检测性能。其次,利用注意力模块替代特征金字塔网络中传统的上采样模块,生成基于卷积特征的局部显著图,可以有效抑制不相关区域的特征响应,突出图像局部特性。最后,利用Caltech行人数据集和U-FOV红外行人数据集进行两次迁移训练,以提高模型的泛化能力,丰富行人的样本特征。实验结果表明,所提方法在U-FOV数据集上的识别平均准确率达到了93.45%,比YOLOv3高26.74个百分点,能检测到的最小行人像素为6×13。在LTIR数据集上的定性实验结果验证,所提模型具有良好的泛化能力,适用于多尺度红外行人的检测。

针对红外图像中多弹迹点检测精度不高的问题，对红外图像中弹迹点的特性进行了分析，提出了一种基于局部特性对比的多弹迹点检测算法用于有效检测红外图像中低信噪比条件下的多弹迹点。该方法利用同态滤波和中值滤波两种综合滤波方法减少光照不均的影响，提高图像信噪比。然后根据弹迹点在红外图像中自身的局部特性，采用局部特性对比并结合边缘检测精确检测弹迹点位置。从理论上分析了检测算法的有效性，并通过仿真实验与其他检测方法进行了对比。实验结果显示，本方法能够在低信噪比条件下有效检测出红外图像多弹迹点，与基于Top-hat 和基于局部均值等方法相比，检测准确度更高，鲁棒性更好。

基于循环矩阵结构(CSK)的跟踪算法只适用于跟踪尺度固定不变的目标，为此，提出了一种基于分块的尺度自适应CSK刚体目标跟踪算法。利用各分块的空间结构推导出分块位置与目标尺度之间的内在关系，然后对各分块的跟踪结果进行置信度评价，选取高置信度的结果进行综合，有效估计目标的尺度和位置，提高了算法在遮挡、背景干扰等情况下的鲁棒性。对典型视频序列的对比试验表明，所提算法不仅能够实时跟踪目标的尺度变化，跟踪的精度和鲁棒性也明显高于原始CSK算法。

采用矩形框表示目标会引入背景干扰，导致跟踪性能下降，故利用多实例学习的特点对背景干扰建模，提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段，以超像素作为实例，根据位置将这些超像素分为具有明确标签的多个实例包，进而将跟踪转换为多实例学习问题。然后，在所提算法中实现了在线多实例学习，通过求实例包的似然函数最大化，从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段，利用学习的强分类器生成目标置信图。最后，采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上，所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明，该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度，且跟踪精度和成功率的典型值分别达到了91%和90%，比原始超像素跟踪算法分别高出了21%和26%。

针对天空背景下云层对弱小目标的干扰，以及靶场实验中观测设备所产生的拖影现象对目标检测所带来的干扰等问题,提出了一种基于局部行像素对比度的空中红外弱小目标检测算法，用于检测低信噪比条件下的空中红外弱小目标。该方法利用中值滤波和形态滤波获取滤波图像，结合目标区域像素特点提取滤波图像中感兴趣区域，然后利用局部行像素对比度的方法检测目标位置，极大提高了检测效率，缩短了检测时间。从理论上介绍和分析了该算法对红外弱小目标图像检测算法的有效性，并通过Matlab仿真实验与其他检测算法进行了对比。实验结果表明，所提算法能够在低信噪比条件下更加有效地检测出空中红外弱小目标，检测精度更高、效果更好。

针对目前单帧图像阈值分割中分割易受突变影响、目 标背景分割不明显以及分割效果较差等问题，提出了一种基于红外图像帧关 联的自动阈值分割方法。该方法利用自动阈值分割法简单分割单帧图像，然 后根据图像帧关联信息对图像进行分组处理，再对每帧图像进行权重分配，最 终确定每帧图像的分割阈值，以提高分割的抗干扰性，改善分割效果。通过理 论分析和实验仿真验证了该算法的有效性和可行性，并将其与其他算法进行了 对比实验。实验结果表明，本文提出的分割算法的抗干扰性较强，能够将目标 图像从背景中清晰地分割出来，具有更好的分割效果和更强的应用性。