目标跟踪算法的性能通常和初始跟踪框的质量有关。在无人机对地侦察任务中，由于反应时间有限，操作员通常难以选取精确的初始跟踪框，导致目标跟踪结果较差。针对这一问题，提出一种半自动的跟踪框快速初始化和自适应优化策略，并给出基于视觉显著性和显著图像分割的自适应优化算法样例，在性能提升和运行时间上均具有优势。与优化前相比，在2个数据集上的跟踪成功率最高提升0.262、跟踪精度最高提升0.177；在运行时间方面，处理200像素×200像素的图像切片时，理论并行速度可达10帧/s。提出的跟踪框初始化和优化策略，结合了人的主观选择和视觉认知，可以有效解决无人机对地侦察任务中目标难以锁定的问题，并具备在嵌入式设备中的可移植性。

为实现红外与可见光图像的优势互补，提高机器视觉的环境适应性，提出一种基于动态范围压缩增强和非下采样剪切波变换的红外与可见光图像融合算法。首先，用动态范围压缩增强方法增强弱可见光图像。其次，利用非下采样剪切波变换提取红外与可见光图像的低频和高频系数。接着，对高频系数实施硬阈值收缩，抑制高频中的噪声。然后，分别采用视觉显著图加权的“平均”融合方法和绝对值取大融合方法对低频和高频系数进行融合。最后，通过非下采样剪切波变换逆变换得到最终融合图像。实验表明，该算法可以有效保留原图像的边缘特征和纹理细节，显著提高融合图像的清晰度和对比度。

为了综合利用红外与可见光图像的光谱显著性信息，同时提高融合图像的视觉对比度，本文提出了一种基于视觉显著性加权与梯度奇异值最大的红外与可见光图像融合方法。首先，该全新算法通过滚动引导剪切波变换作为多尺度分析工具，来获取图像的近似层分量与多方向细节层分量。其次，针对反映图像主体能量特征的近似层分量，采用视觉显著性加权融合作为其融合规则，该方法利用显著性加权系数矩阵指导图像内的光谱显著性信息有效融合，提高了融合图像的视觉观察度。此外，采用基于梯度奇异值最大原则来指导细节层分量的融合，该方法可以极大程度地将隐藏在两种源图像内的梯度特征还原到融合图像中，使融合图像具有更加清晰的边缘细节。为了验证本文算法的有效性，进行了5组独立的融合实验，最终的实验结果表明，本文算法融合图像的对比度更高，边缘细节更加丰富，并且相较于其它现有典型方法，AVG、IE、Q^E、SF、SD、SCD等客观参数指标分别提高了16.4%、3.9%、11.8%、17.1%、21.4%、10.1%，因此具有更加优良的视觉效果。

针对红外图像中弱小目标检测虚警率高、实时性差的问题，提出了一种基于视觉显著性和局部熵的红外弱小目标检测方法。该方法将红外弱小目标的检测问题由粗到精分步实现，首先利用融合局部熵的方法提取包含目标的感兴趣区域，对红外弱小目标实现粗定位。然后再利用改进的视觉显著性检测方法在感兴趣区域计算局部对比度，获得感兴趣区域的显著图。最后利用阈值法分割显著图像提取红外弱小目标，实现红外弱小目标的检测。通过与TOPHAT算法及LCM算法进行对比试验，验证了该方法在检测性能上优于TOPHAT算法以及LCM算法，虚警率分别下降了62.5%和33.3%；检测实时性方面，算法耗时为LCM的38.6%。该方法能够实现复杂背景下红外弱小目标的准确检测，在一定程度上解决了目标检测虚警率高、实时性差的问题。