多视角点云配准是逆向工程中的关键步骤之一，具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据，多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性，提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云，结合迭代最近点法(ICP)和基于特征的配准方法，提出一种多策略融合的成对点云配准算法，用于求解相邻视角点云的配准结果；然后在增量式相邻视角点云配准的基础上，进一步提出一种基于距离约束的回环检测方法，并依据相邻视角点云的配准结果和回环检测的结果构建位姿图；最后采用实时优化策略对位姿图进行优化，消除累计误差，实现鲁棒的多视角配准。实验结果表明，提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象，而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性，采用多个狭窄场景下连续采集的模型点云进行验证，结果表明：提出的算法取得了不错的效果，表明该方法是一种有效的狭窄场景多视角配准方法。

针对合成孔径雷达（Synthetic aperture radar，SAR）目标分类问题，提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵，在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性，熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集，其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础，对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题，在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数，按照类别分别计算对于选取多视角的重构误差，并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析，并利用联合稀疏表示利用这种相关性，能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试，通过与几类其他方法在多种测试条件下进行对比，结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。

随着红外传感器的性能提升和应用普及，获取同一场景下同一目标的多视角图像成为可能。为此，提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析，获取多个视角子集。在每个视角子集中，红外图像具有较强的相关性。对于不同的视角子集，它们相对独立。为充分利用这种相关性和独立性，采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地，对于只包含一个视角的子集，则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果，基于线性加权的思想进行融合处理，并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此，所提方法在分析多视角红外图像内在关联性的基础上，分别对局部相关性和整体的独立性进行考察，并通过决策层的融合将两者融为一体，提高了最终决策的可靠性。实验中，在采集的多类交通车辆红外图像上进行识别，分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证，经过对比分析验证了提出方法的有效性。

为了提高无人车在夜间情况下对周围环境的物体识别能力，提出一种基于多视角通道融合网络的无人车夜间三维目标检测方法。引入多传感器融合的思想，在红外图像的基础上加入激光雷达点云进行目标检测。通过对激光雷达点云进行编码变换成鸟瞰图形式和前视图形式，与红外图像组成多视角通道，各通道信息之间融合互补，从而提高夜间无人车对周围物体的识别能力。该网络将红外图像与激光雷达点云作为网络的输入，网络通过特征提取层、候选区域层和通道融合层准确地回归检测出目标的位置以及所属的类别。实验结果表明，该方法能够提高无人车在夜间的物体识别能力，在实验室的测试数据中准确率达到90%，速度0.43 s/帧，达到了实际应用要求。

移动电子设备已成为最重要的个人交互平台，具有轻薄型态和低功耗特质的裸眼3D显示亦成为重要研究领域。裸眼3D显示能否应用于移动电子设备，也成为3D显示是否能走进千家万户，影响人类生活习惯的一个重要评判标准。文中主要介绍和比较了与移动电子设备兼容的裸眼三维（3D）显示硬件实现方法和技术，主要包括屏障视差技术、柱透镜阵列技术、时空复用技术、集成成像显示、压缩光场显示和向量光场显示技术。文中进一步分析了现有技术的瓶颈与不足，阐释技术瓶颈的主要产生原因和解决途径，并对裸眼3D显示应用于平板显示的未来发展趋势进行了展望。