采用改进后的图像相关度计算方法，在精确配准干扰前后图像的基础上，以像素为单位计算图像相关度，根据人眼识别效果在评估前确定干扰阈值，计算图像有效干扰像元统计值，定量描述激光干扰效果；开展多波段激光干扰成像系统试验，采集不同干扰功率下的激光干扰图像，评估干扰效果。结果表明，该方法能精确识别图像局部变化，客观反映图像质量变化，对各波段不同功率下的激光干扰成像图像给出科学评估结果，对单对图像的处理速度优于s级，具有一定的工程应用价值。

干涉成像光谱技术是利用光的干涉原理获取目标光谱信息的一种成像技术。为研究其在强光下的干扰效果和机理，以大孔径静态成像光谱仪为典型对象，开展了相关仿真实验研究。以实际地物的图像和光谱信息为对象，仿真生成了原始干涉成像图案，并模拟830 nm单波长激光和超连续谱激光两种干扰源，分别研究不同辐照强度下的典型干扰效果，分析时假设光谱角大于30°时原始光谱信息丢失。基于本文的仿真模型，得到的相关结果表明，在830 nm的单波长激光干扰情况下，当干扰与目标成像峰值之比大于0.2∶1时原始光谱信息无法正确复原（光谱角大于30°），但模拟加入830 nm滤光片后，干扰效果被有效滤除。在超连续谱激光干扰情况下，不考虑饱和阈值时光谱角数值最终稳定在21°；考虑探测器饱和阈值为目标成像强度峰值3倍时，干扰与目标成像峰值之比大于2.1∶1时，原始光谱信息便无法分辨。该研究可能为同类型光谱仪的激光辐照效应和损伤机理的后续研究，以及光谱成像系统的激光防护和性能优化提供参考。

针对激光干扰效果评估受主观经验较大、难以定量评估的问题，提出了一种基于深度学习的激光干扰效果评估方法。首先，对YOLOV5算法进行了整体介绍，其次制作了来自不同角度、不同距离的3 020张激光干扰图像；然后，对标注的数据集进行训练，得到了激光干扰效果评估模型；最后，分别在YOLOV5x、YOLOV5l、YOLOV5m、YOLOV5s网络模型下训练300次，实验验证了模型的正确性。实验结果表明：利用训练好的模型实现了对激光干扰图像的效果评估，该模型不仅可以自动标注激光干扰区域和进行干扰效果等级评估，同时还融入了传统策略，可以通过计算标注区域面积占整幅图像面积的大小作为辅助决策，实现自动标注激光干扰区域面积所占百分比，识别准确度在80%以上，对激光干扰效果评估具有重要意义。