基于视觉的光学三维重建技术得益于对场景干预少、获取信息丰富等优点，在探测范围有限、非接触的场合得到了广泛应用。首先，主要介绍了基于主动视觉下的结构光法、莫尔法、飞行时间法、激光扫描法和基于被动视觉下的立体视觉法、运动恢复结构法，并分析了这些技术的优缺点；其次，总结并讨论了光学三维重建技术在农作物信息感知研究中的应用现状；最后，对光学三维重建的未来研究进行了展望。

现有的基于深度学习图像融合算法无法同时满足融合效果与运算效率，且在建模过程中大部分采用基于单一尺度的融合策略，无法很好地提取源图像中上下文信息。为此本文提出了一种基于信息感知与多尺度特征结合的端到端图像融合网络。该网络由编码器、融合策略和解码器组成。具体来说，通过编码器提取红外与可见光图像的多尺度特征，并设计特征增强融合模块来融合多个尺度的不同模态特征，最后设计了一个轻量级的解码器将不同尺度的低级细节与高级语义信息结合起来。此外，利用源图像的信息熵构造一个信息感知损失函数来指导融合网络的训练，从而生成具有丰富信息的融合图像。在 TNO、MSRS数据集上对提出的融合框架进行了评估实验。结果表明：与现有的融合方法相比，该网络具有较高计算效率；同时在主观视觉评估和客观指标评价上都优于其它方法。

从空间目标的观测图像中自动感知其类别及工作状态对****及空间探测等具有重要意义。为实现对空间目标图像信息的自动化精确感知,提出了一种数据驱动的空间目标图像信息感知技术。所提技术以深度卷积神经网络为基础,利用海量的模拟数据和少量的真实数据训练神经网络,训练后的神经网络能够直接从空间目标图像中感知空间目标的载荷及工作状态等信息。以两个空间目标图像信息感知任务为例,对技术实用性进行了测试。在空间目标载荷识别任务中,所提技术可以对不同模糊程度及不同噪声水平条件下的未知空间目标图像进行载荷识别。结果表明,对于不同的空间目标载荷,所提技术的平均识别准确率超过80%,检测速度可达50 frame/s。在空间目标状态感知任务中,采用模型组合方法搭建了空间目标工作状态感知专家系统。根据空间目标图像,实现了对空间目标工作状态信息的感知,验证了数据驱动的空间目标图像信息感知技术的有效性。