提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法，选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架，并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上，基于无锚框的思想构建预测网络，以提升跟踪器的灵活性和通用性，同时提出一种模板动态更新的策略，通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明，所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。

针对孪生架构单目标跟踪算法存在的目标状态更新不及时的问题，基于模板与记忆信息动态融合的跟踪策略，提出一种通用的模板更新机制。该机制采用双模块融合的更新策略：通过记忆融合模块融合搜索图像特征的短期记忆信息，获得目标变化情况；将前一帧可信的跟踪结果作为动态模板，从相关特征的角度，通过权重融合模块对原始模板和动态模板进行加权融合，通过结合跟踪过程的原始记忆与短期记忆实现更准确的目标定位。将模板更新机制应用于SiamRPN、SiamRPN++和RBO三种主流算法，并在VOT2019公开数据集上进行实验验证。结果表明：应用该机制后算法的性能得到了有效提升，具体而言，在SiamRPN++算法中，平均重叠期望值提升了6.67%，准确性提升了0.17%，鲁棒性下降了5.39%；此外，在遮挡、形变和背景干扰等复杂场景下，添加模板更新机制的SiamRPN++算法展现出较好的跟踪性能。

环境感知是无人驾驶的关键技术，针对相机缺乏深度信息无法定位检测目标以及目标跟踪精度较差的问题，提出一种基于相机与激光雷达融合的目标定位与跟踪算法。该算法通过图像检测框内的激光雷达点云簇在像素平面的面积比例大小获得检测目标的定位信息，然后根据检测目标的轮廓点云在像素坐标系下的横向移动速度和纵向移动速度融合图像检测框中心坐标提高目标跟踪精度。实验结果表明：所提目标定位算法正确率为88.5417%，且平均每帧处理时间仅为0.03 s，满足实时性要求；图像检测框中心横坐标的平均误差为4.49 pixel，纵坐标的平均误差为1.80 pixel，平均区域重叠率为87.42%。

针对线阵光纤激光相干合成系统中对合成光束的质量、控制速度、控制精度的需求, 完成了线阵光纤激光相干合成控制器的设计。该控制器以DSP2812和CPLD为核心处理器, 通过AD976A模/数转换器接收光电探测器的电压信号, AD8544数/模转换器输出模拟电压控制压电陶瓷相位控制器, 进而控制激光的相位变化。为了实现控制器与目标图像检测板和上位机的通信, 设计了两路串口通信接口, 并编写了相关测试程序, 最终在线阵光纤激光相干合成系统中完成了四路1 064 nm激光的相干合成、扫描、跟踪实验。实验结果表明, 该控制器搭载随机并行梯度下降(SPGD)算法, 在光电探测器的配合下能够实现光纤激光锁相, 控制主瓣能量变化优于±5%, 锁相后主瓣能够完成±λ的扫描, 扫描频率约为25 Hz, 同时结合目标图像检测板完成了目标跟踪实验, 实现激光相干合成条纹的目标跟踪。

利用传统的暹罗网络跟踪算法进行目标跟踪时, 目标位置远离特征图中目标的中心位置会降低跟踪性能指标, 使得跟踪效果不佳。针对该问题, 提出了一种改进的暹罗自适应网络(SiamBAN)算法, 即引入中心预测网络来判断特征图上目标位置与目标中心点的距离, 两者间的距离越大, 中心度得分越低, 改进算法去除响应异常值的能力越强。通过OTB100, VOT2016和VOT2018数据集将改进的SiamBAN算法与主流跟踪算法进行对比分析, 结果表明, 改进的SiamBAN算法能有效抑制响应图中的异常值, 显著提高跟踪性能指标。