基于图像数据的目标检测与位姿估计是靶场武器装备试验、无人机察打、精确制导武器、设备调运监测及飞行器自主降落等应用中的关键技术，由于受到杂乱背景、噪声、复杂光照及纹理差异等因素的干扰，稳定、准确的目标检测与位姿估计依然面临诸多挑战。本文针对几种典型应用场景下图像中的目标检测及位姿估计相关内容进行研究，包含来自于不同数据源、不同尺度的目标，具体研究内容有单幅图像中红外小目标检测、序列图像中红外弱小目标视觉增强、下视红外图像云层区域检测、自然图像中显著物体检测及利用3D模型的单目图像目标位姿估计。
　　(1)针对单幅红外图像中小目标检测问题，提出一种基于频域尖峰抑制的处理算法。传统方法通常将红外小目标图像中背景建模为低频成分、小目标建模为高斯亮斑，不能很好地处理杂乱背景及目标形状不规则的情况。本文将图像中背景及噪声建模为频域幅值谱中的尖峰，不局限于图像中的低频成分，且不对小目标特性作假设，通过滤除幅值谱中尖峰可实现对背景及噪声的抑制，进而突出目标；并提出引入空域分割信息解决图像中尺寸较大的目标不能被均匀检测的问题。相比于已有方法，基于频域尖峰抑制的红外小目标检测算法能够更好地检测红外小目标，即使对于多目标、小目标形状不规则及杂乱背景等情况，依然能够得到较为满意的检测结果。
　　(2)针对序列图像中红外弱小目标的视觉增强问题，提出基于能量累积的增强处理算法。传统增强处理方法大多基于单幅图像信息进行对比度增强处理，存在过度增强背景的问题，尤其是对于目标极为微弱以至于几乎淹没于背景中的极端情况。对此，提出利用序列图像中时序信息，沿时序上目标运动轨迹对以目标为中心的局部区域进行能量累积以增强目标信号，依据弱小目标空间外观具有类高斯特性，抑制累加区域中的杂乱背景及自适应地将累计区域平滑地融入到图像整体背景中。相比于传统方法，基于能量累积的序列图像中红外弱小目标视觉增强算法能够实现对红外弱小目标的针对性增强处理，显著改善图像视觉质量，尤其是对于目标几乎淹没于背景的极端情况。
　　(3)针对红外匹配末制导下视红外图像中云层区域检测问题，提出一种基于纹理分类的检测算法。下视红外图像中云层区域纹理变化较为平缓，表现出较强的空间相关性，下垫面地物场景纹理变化较为剧烈，空间相关性较差，根据此纹理特性差异，设计并训练基于支持向量机的纹理分类模型，实现图像中云层区域检测。算法包含图像预处理、纹理特征提取及分类器判别三个环节。本文将搜集的下视红外图像数据进行分类，构建测试数据集，并对算法性能进行测试，结果表明基于纹理分类的云层区域检测算法能够较准确、高效地实现下视红外图像中云层区域的检测。
　　(4)传统自然图像中显著物体检测算法不能完整、均匀地突出显著物体，尤其是对于包含多个具有不同外观信息子区域的显著物体，针对这一问题，提出似物性度量辅助的显著物体检测算法。指出似物性度量对于自然图像中显著物体检测的作用应体现在区域显著性计算及区域间一致性调整两个方面：对于区域显著性的计算，通过融合似物性度量、特异性及中心偏好得到；对于区域间一致性调整，以区域为节点，采用高斯-马尔科夫随机场模型对图像进行建模，依据似物性度量结果确定连接边权重，通过最小化能量函数实现区域间显著性的一致性调整，实现完整、均匀地突出显著物体。在多个通用测试数据集上的测试结果显示，相比于已有方法，似物性度量辅助的显著物体检测算法能够更为准确地检测图像中显著物体，并较为完整、均匀地突出显著物体。
　　(5)对单目图像中目标的检测、初始位姿估计及位姿跟踪问题进行研究，提出利用3D模型主结构特征的单目图像目标位姿估计方法。目标3D模型的引入可以避免传统方法中繁琐地样本库制备及标注，并能够方便、充分地利用目标的三维信息。利用目标3D模型实现单目图像中目标的检测、初始位姿估计及位姿跟踪：对于初始的目标检测与位姿估计，利用目标3D模型生成仿真样本库，为克服复杂光照及纹理差异等因素的干扰，仅利用目标的主要结构信息训练分类器，进而完成检测及初始位姿参数的估计；对于后续的位姿跟踪，采用基于区域分割的处理方法，迭代中实时对3D模型进行投影，通过最大化前景、背景外观之间的差异，实现位姿参数的优化求解。相比于传统方法，利用3D模型主结构特征的单目图像目标位姿估计方法无需繁琐的数据准备工作，并能够充分利用目标的三维信息，得到较为准确、稳定的位姿估计结果，对复杂光照及纹理差异等干扰因素，表现出了较强的鲁棒性。