数字微光器件作为新一代微光夜视装备的核心器件，相比于传统真空微光器件因具有数字化输出的优势而备受各国重视。本文综述了低照度CCD（charge-coupled devices）/CMOS（complementary metal oxide semiconductor）、科学级CMOS、像增强型CCD/CMOS、电子倍增CCD及电子轰击APS（active pixel sensor）/CCD等数字微光器件的研究现状，分析了数字微光器件的应用情况。最后，提出了微光技术和数字微光器件的发展趋势。

提出了一种基于高精度转台的视场测试方法，其测试结果与产品视场角设计值相符，具有较高的准确性，改善了传统视场测试方法在大视场夜视镜的总视场和合像测试中存在的调节困难、误差大、耗时长等问题，提升了大视场夜视镜生产装调和测试的效率，为后续大视场夜视镜的计量和改进设计提供了参考。

针对微光夜视条件下增强型CMOS（ICMOS）图像信噪比低、随机噪声明显的问题，提出了一种基于双残差注意力网络的ICMOS图像去噪算法。为了制作ICMOS噪声图像数据集，采用ICMOS相机在特定照度环境下拍摄静态噪声图像序列，然后采用多帧平均的方法获得每个序列对应的无噪声真值图像；其次，为了直接从噪声图像中提取噪声分量，设计了一种结合噪声残差学习和残差网络模块的双残差网络模型，并引入通道注意力机制给模型的特征图维度赋予权重，在提升模型学习能力的同时降低了模型复杂度；最后，采用网络训练所得模型对测试图像进行去噪实验。对比实验结果表明，本文提出的算法得到的峰值信噪比较经典的BM3D算法提升了9.56 dB，结构相似度提升了0.050 3。从主观效果可以看出，本文算法可以更好地去除ICMOS图像噪声，保留图像细节，同时，具有较高的运行效率。

概述了数字微光夜视技术的发展历程，阐述了目前基于数字图像处理技术的主流数字微光探测产品的探测机制和成像特点。介绍且对比了不同应用场合下各类探测器的优势和劣势，分析了数字微光探测技术未来发展方向和主要行业的应用前景。

本文提出一种基于机器学习的抛撒地雷的夜视智能探测方法。首先，根据YOLO系列机器学习算法，设计并优化了抛撒地雷的智能检测网络模型；其次，根据几何光学成像的相似性原理，研究抛撒地雷的测距模型。最后，搭建抛撒地雷的夜视智能探测系统进行实验测试分析。实验结果显示，优化后抛撒地雷智能探测网络模型的准确度达到98.97%、召回率达到99.22%、均值平均精度为99.2%；在给定的实验条件下，利用优化后的抛撒地雷测距模型，对抛撒地雷的距离测算误差为±10 cm，表明利用机器学习可以用于对抛撒地雷进行智能探测。

光纤倒像器是微光夜视仪的核心元件，大口径光纤倒像器可实现宽视场、大视野、远视距的探测，但现有的扭转成型工艺无法制备出合格产品，采用旋转差速扭转成型工艺和双内炉加热设计相结合的工艺，最终制备出性能指标符合要求的大口径光纤导像器产品。测试结果显示，扭转区域的角度集中量减少为5.98 °/mm，对大口径光纤倒像器的边缘分辨率改善效果明显。