为了解决局部对比度方法在用于星图空间目标检测时存在运算量大和去除背景噪声困难的问题，提出了一种基于快速局部对比度和目标特征的方法来检测目标。在对比度计算前、对比度计算中和对比度计算后3个环节，分别提高了算法实时性、对复杂背景的抑制和去除噪声。首先，通过中值滤波去除高频噪声；然后，通过快速局部极大值滤波确定目标区域，通过局部对比度计算抑制背景，突出目标成像特征；最后，根据目标成像特征，设置目标能量分布、目标能量集中和目标能量传递3个特征函数，通过设置特征阈值去除噪声，提取真实目标。实验结果表明，本文所提方法在检测率和时间消耗上均具有优越性，对于信噪比为1.5的目标有95%的检测率，平均耗时仅为某些对比方法的1/30~1/6。本文所提方法更适用于星图复杂背景条件下的目标快速检测，满足星图空间目标检测算法鲁棒性强、实时性高的要求。

通过分析和研究视频内容特征、编解码失真特征和传输时延特征对视频质量评价的影响，结合人眼视觉特性及其数学模型，提出了一种综合考虑传输和编解码失真的基于内容感知的无参考视频质量评价方法，并构建其数学模型。在该方法中，首先采用视频帧图像纹理复杂性特征、图像的局部对比度、时域信息及其视觉感知来描述视频内容，构建其内容感知模型，并以此探讨视频内容及其视觉感知对视频质量的影响；然后，探讨比特率与视频质量之间的关系，构建其模型，研究视频比特率对其质量的影响；接着，结合视频传输时延特征，构建了由于传输时延失真而产生的视频质量下降的质量评价模型；最后，采用凸优化方法综合3个方面的模型，提出了一种综合考虑视频内容、编解码失真、传输时延失真和视觉特性的无参考视频质量评价模型。并采用多个建立的视频数据库和开源数据库中的数据和视频进行了测试验证，并与17种现有视频质量评价模型进行了性能对比；结果表明，所提模型的精度Pearson相关系数和Spearman秩序相关系数值最小分别能够达到0.877 3和0.833 6，最大可以实现0.938 3和0.943 8，表现出了较好的泛化性能，且复杂度比较低。综合模型精度、泛化性能、复杂性3个方面的性能参数表明，所提模型是一个性能比较优异的视频质量评价模型。

具有高检测率、低虚警率和高检测速度的单帧红外弱小目标检测是一项艰巨的任务，因为目标通常很小且暗淡，并且存在不同类型的干扰，例如高亮背景，复杂的背景边缘和高亮度像素级的噪声点（PNHB）。基于HVS的单帧检测算法通常可以实现比传统算法更好的性能,但是，对于基于HVS的算法，如何定义局部对比度的公式是关键问题之一，直接决定算法的性能。到目前为止，研究人员尚未就如何定义局部对比度达成共识，并且已经提出了许多局部对比度定义。现有算法如比值型和差值型的局部对比度算法，不能有效增强真实目标的同时抑制所有干扰，仅以周围区域为背景，而没有考虑周围背景本身的多样性，这些算法浪费了可用于进一步抑制复杂背景的局部多样性信息。提出了一种多尺度比差联合局部对比度检测算法（MRDLCM）。它可以结合比值型和差值型算法的优点，因此可以抑制所有类型干扰的同时增强不同大小的真实目标，且不需要任何预处理。此外，提出了基于反向局部多样性（RLD）的权重函数，该函数利用局部周围区域的局部多样性进一步抑制复杂背景。实验结果表明，所提出的MRDLCM_RLD算法相对于现有算法在检测率和误报率上具有有效性和鲁棒性。此外，该算法具有并行处理能力，对于提高检测速度非常有效。

为了提升基于人类视觉系统检测方法的检测率、检测速度和场景适应能力，构建了一个多场景红外弱小目标数据集，提出了一种基于视觉注意机制的红外弱小目标检测算法。从自底向上的机制出发，提出多尺度灰度-方差估计，快速计算显著图并估计出最优目标尺寸，使用基于加速分割测试特征的角点检测算法快速提取候选目标，并引入非极大值抑制去除冗余。从自顶向下的机制出发，结合生物侧抑制理论与余弦相似度，提出了软竞争模糊自适应共振网络，并设计一个特征集对目标进行描述。最后，使用网络训练所得模型完成对候选目标的识别。实验结果表明：与5种代表性基于人类视觉系统的方法相比，本文方法具有更高的检测概率和更快的检测速度，且在不同场景的性能更具稳定性。