针对室内弱纹理环境下基于点特征的视觉同步定位与建图（Simultaneous Localization and Mapping， SLAM）存在的轨迹漂移等问题，提出了一种融合点线特征的双目视觉SLAM系统，并对线特征的提取与匹配问题展开研究。为了提高线特征的质量，通过长度与梯度抑制、短线合并等方法，进一步改进LSD（Line Segment Detector）线特征提取方法。同时，通过将匹配问题转换为优化问题，并利用几何约束构建代价函数，提出了一种基于几何约束的快速线段三角化方法。实验结果表明，本文所提方法在多个数据集上的表现都优于基于描述子的传统方法，尤其在室内弱纹理场景下，其平均匹配精度达到91.67%，平均匹配时间仅需7.4 ms。基于此方法，双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2，PL-SLAM的定位误差分别为1.24，7.49，3.67 m，定位精度优于现有算法。

针对ICP算法在初始位姿差、部分数据丢失和噪声干扰情况下鲁棒性差、配准精度低的问题，提出一种基于统计局部特征描述与匹配的点云配准算法。首先，用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的统计局部特征描述符，准确地描述查询点的局部特征；然后，通过点对间的特征差异进行对应点匹配，剔除错误点对，解决点云部分数据缺失和噪声干扰的问题；最后，使用平均匹配距离作为度量改进ICP算法，对点云进行配准，解决初始位姿较差时配准精度低的问题。实验结果表明，该算法在初始位姿差、部分数据丢失和噪声干扰情况下的配准精度提高至少1个量级，配准速率也有较大提升，在鲁棒性和配准精度方面均表现出明显优势。

为解决无人机在室外实际飞行时的自主避障问题，提出一种基于Ghost改进的YOLOv5轻量化双目视觉无人机避障算法。首先，引入Ghost模块改进YOLOv5中的CBL和CSP_X单元，使用CIOUloss作为回归损失函数，并将非极大值抑制CIOUnms修改为DIOUnms以优化损失函数；其次，对双目相机进行标定和校正；使用ORB特征点提取和滑动窗口匹配算法得到检测目标的视差值，再根据视差值和相机内参求解出障碍物的距离信息；最后，根据障碍物的位置和距离实现无人机的自主避障。该避障算法在嵌入式系统中运行的平均FPS达到14.3，并用无人机避障飞行试验证实了该算法的可行性；改进后的网络检测平均准确率为76.88%，与YOLOv5相比，平均检测精度均值下降0.37%，但检测时间下降22%，参数量下降25%。该算法对无人机的自主避障具有重要的应用价值。

针对复杂应用环境中近红外单目视觉位姿测量系统偏离预置合作目标对象后，无法完成位姿测量的特殊情况，提出一种以合作目标周边随型粗糙面图像为测量对象的单目视觉测量方法，以及图像受损后的动态自愈方法。通过将实时获取的随型粗糙面图像特征与预存基准图像特征进行匹配计算，完成特殊情况下的应急测量。同时，为减少随型粗糙面图像污染或受损后对位姿测量精度的影响，实时计算污染或受损程度并动态自愈基准图像特征。实验结果表明，以随型粗糙面为对象的位姿测量精度稍低于合作目标对象，但能够满足特殊情况下的应急使用需求，提高了测量系统的鲁棒性；当随型粗糙面图像污染或受损达到70%时，采用自愈处理与未做自愈处理相比，方位角测量误差减少72%以上，验证了基准图像自愈方法的有效性。

针对目标跟踪中常见的目标遮挡问题，提出一种自适应特征匹配网络。该网络通过计算查询帧与记忆帧像素级相似度，将目标和背景相似度关系进行编码，获得像素级相似度矩阵，并通过将查询帧与记忆帧分头的方式，实现多维度相似性计算，以关注查询帧中更多区域，并通过计算的相似度矩阵，对记忆帧进行自适应特征加权，以此来提高目标跟踪的精度和鲁棒性。此外，特征记忆网络可以对记忆帧进行挑选和保存，为特征匹配提供额外表观信息，使网络隐性学习目标运动趋势，进而实现更好的跟踪结果。实验结果表明，该方法在GOT-10k，LaSOT等数据集上表现良好，在GOT-10k数据集上，本文所提出的算法与STMTrack算法相比，AO值提升1.8%。根据可视化结果显示，本文算法在目标遮挡、消失等挑战中，具有更强的鲁棒性。

航空场景下的远红外图像迫切需要准确、鲁棒、快速的特征描述与自动配准方法。由于已有的多重线型描述符MLD特征存在“特征孤岛”和“尺度变换受限”的问题，因此针对远红外航空图像的配准问题，文章提出了一种聚合特征点以及线型描述符分段统计的特征描述方式，即sMLD特征。结合sMLD特征相互连接构成网状拓扑结构的特性，还提出了一种由粗到细的分支加速匹配算法RF-BA。其中，RF-BA粗匹配充分利用拓扑图的结构，通过局部寻优算法提高匹配的效率。RF-BA精匹配利用最小外接凸四边形原则和GMS校验原则，提升配准精度。实验结果表明，与已有的几种代表性配准方法相比，所提方法在配准精度和时间开销方面均具有更好的性能。