针对图像增强算法中普遍存在暗部区域细节丢失、亮部区域过度增强等问题，提出了基于自适应截断模拟曝光和深度融合的增强算法。对原始低照度图像进行模拟曝光，通过卷积网络学习曝光序列对应的权重图并在网络内部实现加权融合，获得增强结果。在生成模拟曝光序列的过程中，对图像进行亮暗区域分割，然后对其进行截断性自适应伽马校正，最后通过引导滤波降噪获得合适的曝光序列。获得多曝光序列后，通过基于空洞卷积的上下文聚合网络，实现快速灵活地加权融合，得到最终增强结果。收集了大量公开数据集，并使用微光夜视相机和三通道真彩色相机收集了实验室环境测试集，在不同数据集上和经典主流算法进行了对比实验。实验结果表明，本算法的NIQE、PSNR和SSIM指标都是最好的，其中NIQE降低了4.49%，PSNR提高了4.28%，SSIM提高了1.94%。此外，算法的色彩还原效果也很好，色差指标是所有算法中最小的，在8.71×10^-2 lx照度下，本算法色差减小了14.83%，在1.02×10^-2 lx下减小了3.05%。本文算法可以明显提高图像亮度和对比度，鲁棒性较好，不会产生过度增强现象，有效恢复图像细节的同时兼顾色彩信息，增强结果真实自然。

天基各类光学系统在成像过程中，受卫星轨道变化、姿态角变化等因素以及跟踪速度误差、平台及各运动部件颤振的影响会造成像移。像移会导致图像分辨率降低，图像模糊，严重影响最终的图像质量，因此如何抑制动态像移的影响已成为获取高分辨率清晰图像的瓶颈。目前已有的研究基本都是从单独的应用领域去分析像移的产生因素，没有系统全面的将天基光学系统像移的产生和补偿技术进行综合呈现。本文在简述像移影响机理及像移补偿技术的基础上，对天基成像按照用途分类，详细介绍近年来国内外在对地遥感、空间天文探测、火星探测和空间目标探测成像领域像移影响及补偿的研究进展。通过对国内外研究现状的跟踪分析，预测天基光学成像系统像移研究的发展方向，进一步提升对我国空间光学技术发展方向的理解，为我国航天光学技术和装备的发展提供指导。

为提高图像质量评价模型的准确性，提出一种基于色貌尺度相位一致性的全参考评价模型。首先，在CIELAB色空间的色貌指标Vividness上提取图像结构信息，得到色貌尺度上的相位一致性量值；然后，利用均方根法计算对比度相似图，并在通过上述色空间的颜色通道获取色度相似图；最后，将相位一致性、对比度以及色度三种图像特征结合，采用标准差法进行求和池化，得到全参考图像质量评价计算模型。为验证本模型的可靠性，对4个常用图像数据库中的失真图像进行测试，依据4项评价标准分析其预测精度、计算复杂度及泛化性。实验结果表明，模型在上述数据库中测得的Pearson线性相关系数值最低为0.878 1（TID2013），最高达到0.961 6（LIVE）；Spearman秩相关系数值最低为0.859 2（TID2013），最高达到0.965 3（LIVE）。与多种现有方法相比，本图像质量评价模型具有更高的视觉关系预测精度。

基于深度学习的无参考图像质量评价方法目前存在语义关联性不足或模型训练要求高的问题，为此，本文提出了一种基于语义特征符号化和Transformer的无参考图像质量评价方法。首先使用深层卷积神经网络提取图像的高层语义特征；然后将语义特征映射成视觉特征符号，并基于Transformer自注意力机制对视觉特征符号之间的关系进行建模，提取图像的全局特征，同时使用浅层神经网络提取底层局部图像特征，捕捉图像低级失真信息；最后结合全局图像信息与局部图像信息，对图像质量进行预测。为了验证模型的精度和鲁棒性，以相关系数PLCC和SROCC作为评价指标，在5个主流的图像质量评价数据集和1个水下图像质量评价数据集上进行了实验，并将本文提出的方法与15种传统和基于深度学习的无参考图像质量评价方法进行了对比。实验结果表明，本文方法以较少的参数量（大约1.56 MB）在各类数据集上均取得了优越的性能，尤其在多重失真数据集LIVE-MD上将SROCC提升到了0.958，证明在复杂的失真情况下仍能准确评估图像质量，本文网络结构能满足实际应用场景。