针对MSA(Multi-Scale Autoconvolution)算法对光照变化敏感且在进行目标搜索时计算量大的缺点，提出了一种结合MSA和方向编码的快速景象匹配算法。首先，求待匹配图和模板的方向编码图，以消除光照变化的影响；其次，对方向编码图进行分块处理，分别求取各子块的MSA值，在每个搜索位置，只更新MSA值矩阵的一行(列)，这样使计算量减少到不足原MSA算法的1/8。用cameraman图像和实际卫星拍摄图像进行实验，结果表明，改进后的算法不仅对仿射变换、轻微透视投影变换、噪声及遮挡具有鲁棒性，同时可以抗光照变化的影响，且搜索速度更快，在实际拍摄的图像中能对目标进行准确识别和定位。

针对现有姿态测量方法计算量大的问题，提出了一种新的基于协方差矩阵的目标二维姿态测量方法。首先，将图像二值化，提取出目标的重心坐标；其次，计算出目标所在区域的协方差矩阵，并进行正交分解，得到由协方差矩阵定义的椭圆区域的方程；最后，求出椭圆的两个轴的大小和方向。对256 pixel×256 pixel的飞机图片分别用对数极坐标算法和本文算法进行了仿真实验。实验结果表明,本文方法得到的旋转角度可以精确到±1°以内，缩放比例可以精确到±2%以内，两者均优于对数极坐标方法所得的结果，且计算时间仅为对数极坐标的1/16。因此，本文算法可以快速准确地计算出目标的旋转角度和缩放比例，且能够满足工程中实时处理的需求。

介绍了复值独立分量分析(Complex ICA)的基本原理和算法,提出了基于复值独立分量分析的目标识别方法并将其应用于多传感器融合的目标识别中。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。在本文的实验条件下,提出的方法获得了92.1%的识别准确率,远优于传统ICA方法的78.1%和PCA方法的76.2%。

提出了结合全局信息的SIFT(Scale Invariable Feature Transformation)特征匹配算法,解决了图像中存在多个相似区域时造成的误匹配问题。在尺度空间检测出特征点,生成包含两基于局部信息的SIFT向量和基于全局信息的全局向量;采用BBF(Best Bin First)算法进行搜索,并采用欧氏距离作为度量函数进行特征向量的匹配。实验结果表明,由于在基于局部信息的SIFT向量中加入基于全局形状信息的全局向量,使得当特征点的尺度较小时,可以借助更大邻域范围内的信息对其进行描述,从而降低了由于局部信息相似而造成的误匹配的概率。所用图像误匹配的概率由19%下降到了11%,极大地改善了匹配效果。