压敏漆技术是一种具有经济性高、反应速度快等优点的风洞测压前沿技术。其相比于传统的打孔测压技术而言,有效地降低了模型设计与制造的成本,提高了生产效率。其原理是压敏漆会根据压强不同,进行动态氧化猝灭反应,发出不同强度的光线,利用压强-光强转换公式,得到压强。但在实际试验中,由于强风影响,模型常发生形变和位移,特别是非线性弹性形变,所采集到的图像模型也易产生畸变。将畸变的有风图像和无风图像进行压强计算,会严重影响精度,所以需要对图像进行配准处理。同样地,由于强风等因素,模型表面漆面常会出现脱落现象,使所得图像具有孔洞,同样这将影响最终的测压试验,所以需要对压敏漆图像孔洞进行修复处理。针对上述问题,本文主要的工作和贡献如下:(1)本文将非刚性点云配准技术运用到压敏漆图像配准领域。采用非刚性配准算法,更符合模型具有非线性弹性形变的情况,而采用点云方式使得图像细节区域更有效配准,同时也有利于后续的三维重建工作。(2)本文结合压敏漆图像特点提出了配准精度更高的算法。算法从粗略配准到精细配准过渡。粗配准考虑了像素灰度因素,找到了更有利的初始位置。精配准部分由于二维非刚性ICP算法仅考虑二维坐标位置关系,忽略压敏漆图像像素灰度具有的相关性,使得配准精度不高。但直接利用三维非刚性ICP算法又会发生误配准。所以为了进一步提高配准精度,本文提出了一种基于像素关联搜索策略的非刚性ICP算法。算法设计了综合考虑2D坐标与像素灰度值的双目标搜索策略,实现了精确的局部匹配点搜索与双目标优化。最后在多组压敏漆图像上将本文算法与五种配准算法进行了对比实验分析。实验结果表明,本文所提出的算法具有最好的配准精度。相比次优算法,RMSE提升超过15%,NMI提升在5%左右。(3)本文将深度学习算法运用到压敏漆图像修复领域。通过参考相关文献,并结合压敏漆图像特定,提出了基于深度学习的压敏漆图像修复算法。由于压敏漆图像具有特殊的纹理,同时其修复需要满足工业精度与自动化的要求。但人工提取图像特征的方式难以实现。所以本文选择基于纹理信息的深度学习图像修复算法对压敏漆图像进行修复。同时为适应后续试验环境的变化,本文对网络的泛化能力进行了增强。最后在多组数据上使用客观评价指标对本文算法和几种经典的图像修复算法进行了对比,本文算法均优于其他算法,实现了压敏漆图像的修复工作,为测压工作打下了基础。