针对高光谱图像分类中小规模训练样本下空间信息利用不足和分类精度下降问题，提出一种联合超像素降维和类别后验概率优化的高光谱图像分类方法。首先根据高光谱图像的空间纹理结构，采用熵率超像素分割算法自适应地识别均匀同质超像素区域，对每个区域逐一应用主成分分析，挖掘能表征图像空间-光谱信息的超像素混合特征；然后将混合特征输入支持向量机中计算各像元初始类别概率向量，采用扩展随机游走算法利用图像空间邻域信息对初始类别进行后验概率优化；最后根据各像元最大类别概率确定分类结果。在Indian Pines、Pavia University和Salinas等3组通用高光谱数据集上开展实验，与其他6种方法进行对比，实验结果表明：在有限训练样本条件下，所提方法的总体分类精度分别为98.29%、97.29%和99.72%，优于对比方法的分类结果。

为了较好地平滑边缘区域，避免边缘衔接处产生伪影，提出了一种基于双尺度分解与随机游走的多聚焦图像融合方法。首先，将源图像利用高斯滤波分解为大尺度与小尺度聚焦图，对分解得到的大尺度和小尺度聚焦图采用不同的引导滤波对其边缘进行平滑；然后，将大尺度与小尺度聚焦图作为随机游走算法的标记节点通过融合算法得到初始决策图，并再次使用引导滤波对决策图进行优化；最后，根据决策图对源图像进行重构，得到最终融合图像。实验结果表明，所提方法较好地获取了源图像中的聚焦信息，更好地保留了聚焦区域的边缘纹理及细节信息，在主观评价和客观评价指标方面均取得了更优的效果。

红外与可见光图像融合可有效弥补单一传感器的不足，生成视觉效果更好、清晰度更高的融合图像。基于多尺度分解的融合方法在设计融合两幅图像的细节层与基本层的融合规则时，往往仅考虑细节层和基本层中的单尺度信息，易造成融合图像包含的有效特征较少。针对此问题，提出了一种基于随机游走算法的融合规则来融合基本层和细节层，该融合规则从两幅显著图中估计出一幅具有多尺度信息的显著图用于基本层和细节层的融合，可将每层中的多尺度信息有效地融合到输出图像中，从而使融合图像更有益于人眼观察。

谐振式光纤陀螺(RFOG)是基于Sagnac效应产生的顺时针光路与逆时针光路的谐振频率差来测量旋转角速率的光学传感器。由于Sagnac效应极为微弱,RFOG常采用信号调制解调技术提高检测精度。首先介绍了基于正弦相位调制解调的RFOG的基本原理及衡量其性能的主要指标,详细推导了基于正弦相位调制解调的RFOG系统受散粒噪声制约的理论角度随机游走(ARW)的表达式,分析了调制参数包括调制频率和调制系数对理论ARW的影响。研究表明,在给定的激光功率及光纤环形谐振腔条件下,存在一组最佳的调制参数和解调相位,用于实现ARW的最小化。以直径为12 cm、总长为29 m、测试清晰度为14.7的光纤环形谐振腔搭建了实际RFOG系统,当调制频率分别为1 MHz、600 kHz、240 kHz时,测试得到的陀螺ARW分别为0.0124,0.0072,0.0052 (°)·h ^-1/2。

速率偏频激光捷联惯组的定向精度除与激光陀螺仪有关外, 还与加速度计有关, 因此, 研究加速度计的指标体系对提高整个速率偏频激光捷联惯组的性能和精度有重要意义。从初始对准和航向保持两个方面研究了加速度计对定向精度的影响: 加速度计零偏误差和随机游走均会导致初始对准航向角误差。为了得到高精度的航向保持精度, 速率偏频激光惯组的3个加速度计的漂移趋势需要保持一致。试验结果表明, 加速度计的零偏稳定性提高4倍, 初始对准航向角统计精度提高30%; 加速度计精度相同情况下, 加速度计漂移趋势一致的速率偏频激光捷联惯组, 相比其漂移趋势不一致的速率偏频激光捷联惯组, 航向保持精度提高了57%。

随机游走系数是衡量闭环光纤陀螺性能水平的重要指标, 其体现了陀螺的极限精度。分别从理论上分析了偏置工作点、入射光功率对光纤陀螺随机游走系数的影响。根据随机游走系数中各部分噪声源的特性, 建立了闭环光纤陀螺偏置工作点、入射光功率与随机游走系数的数学模型。模型表明设定合适的光功率与偏置工作点可大大提升闭环光纤陀螺精度性能。通过实验验证了模型的正确性, 实验结果表明提升光功率并采用陀螺的最优偏置工作点, 可大幅提升陀螺随机游走性能。

本文提出了一种新的改进的姿态匹配方法用于激光陀螺组合体测量船体角变形, 该方法的Kalman滤波观测量直接包括待测的船体角形变和“相对姿态误差”项, “相对姿态误差”项对单个激光陀螺组合体的陀螺零偏不敏感, 主要源自于两套激光陀螺组合体的陀螺漂移差值和初始船体角形变。此外, 考虑到船体静态角形变的缓变特征, 船体静态变形角速度可建模为随机游走过程。仿真结果表明, 本文提出的简化的姿态匹配方法能跟踪日照引起的准静态缓变角变形和船体机动等因素引起的短周期大幅角变形。该方法也经过了多条舰船的实船试验验证, 船体角变形的测量精度优于20″。

针对吸收马尔可夫随机游走方法未能充分抑制显著图的中心背景区域和丢失位于图像边界的显著目标的问题,提出一种基于流形正则化随机游走的图像显著性检测方法。首先以超像素作为节点对输入图像构造全局图,通过吸收马尔可夫链随机游走算法计算得到初始显著图,再对初始显著图利用自适应阈值分割获得稳健前景查询节点。其次,为有效利用图像全局信息和局部信息的互补性,构建局部正则图以获得局部最优相似度矩阵。最后,将获得的局部最优相似度矩阵和前景查询节点信息应用于流形正则化框架中得到最终显著值结果。在公共数据集上进行实验验证,结果表明,运用本文算法的显著性检测在查准率和查全率等评价指标方面均有提升。