随着对地观测技术的飞速发展，从海量遥感图像中快速准确地检测与识别特定目标，已成为环境监测、灾害评估及国防安全等领域的关键任务。光学图像和微波图像是最常见的遥感图像类型，将二者相结合进行联合目标检测与识别，可以优势互补，有效克服单一类型传感器获取目标信息的局限性，在突破单源遥感性能瓶颈、提升复杂环境下目标解译能力等方面具有重要价值与广阔应用前景。本文综述了微波与光学遥感图像联合目标检测与识别技术的研究进展。首先，概述了两类图像的特点以及联合目标检测与识别的一般处理流程。其次，深入剖析了该领域当前所面临的主要挑战：成像机理与特征表达的差异性、数据集规模与分辨率的不均衡性、数据获取的时空异步性以及复杂背景下的弱小目标检测与识别。在此基础上，重点围绕海洋与陆地两类典型应用环境，分别分析了当前的主流技术。在海洋应用领域，以海上舰船目标检测与识别为核心，讨论了基于特征融合的方法、知识驱动的方法、复杂场景下的方法以及基于尾迹的间接方法。在陆地应用领域，聚焦飞机、车辆、基础设施等关键目标，探讨了基于特征融合、知识迁移与蒸馏和复杂场景下的弱小目标检测与识别技术。此外，本文还梳理了该领域的常用性能评价指标与公开数据集资源，并对未来发展趋势进行了展望。

目的图像超分辨重建是计算机视觉领域中的一个典型低层视觉任务，能够为目标检测、图像分割等高层任务提供更清晰更结构化的输入。基于CNN的图像超分辨率模型注重恢复图像的纹理和边缘信息，而基于Transformer的方法能建模全局上下文信息，但是存在注意力权重冗余问题。针对这两种模型的优缺点，本文设计了一种轻量级图像超分辨率网络。方法首先改进了传统的Transformer，提出了一种稀疏置换自注意力机制，在扩大窗口的同时解决冗余问题。在此基础上，我们基于CNN构建高频信息增强模块加强模型对局部细节信息的重建。在得到两种结构提取的特征后，我们提出一种双分支特征融合模块对全局特征和局部特征进行高效融合。结果本文方法在5个公开数据集上与11种先进超分辨方法进行了对比实验。结果表明，在保证模型轻量化的前提下，稀疏置换自注意力网络（Sparse and Permuted Self-Attention Network，SPSANet）在不同放大倍率和数据集上均取得最优或次优性能。当放大倍率为3时，在Urban100和Manga109数据集上的峰值信噪比（peak signal-to-noise ratio，PSNR）分别较最新的SOTA（state of the art）方法提升了0.15dB和0.25dB。主观视觉效果显示，SPSANet在复杂纹理和细节丰富的场景中重建的图像更加清晰、自然。结论本文提出的轻量级稀疏置换自注意力图像超分辨率网络能够在保持较低参数量与计算复杂度的同时，在多个数据集上取得优异的重建效果，展现出良好的泛化性与应用价值。

目的红外小目标检测在军事和民用等领域具有重要应用价值。然而，由于目标尺度极小且常处于复杂背景之中，如何有效提取边缘等判别性特征仍然是亟待解决的难题。同时，现有基于 U-Net 的检测网络在跨层特征融合过程中存在明显的语义差异，导致浅层细节信息与深层语义特征难以充分结合，从而进一步限制了检测精度的提升。方法基于U-Net结构，提出一种多分支感知与跨层语义融合的红外小目标检测网络（multi-branch perception and cross-layer semantic fusion network，MPCF-Net）。在编码器阶段，为增强边缘等判别性特征的提取，引入了多分支感知融合注意力（multi-branch perception fusion attention module，MPFM）。该模块通过局部分支、全局分支及串行卷积分支实现多尺度特征提取，并结合局部-全局引导注意力（local-global guided attention，LGGA）与全局通道空间注意力（global channel spatial attention，GCSA），分别强化小目标的响应能力与特征表达能力。随后，为缓解跨层特征间的语义差异并建模上下文依赖关系，采用空间-通道交叉Transformer块（spatial-channel cross transformer block，SCTB）替代传统的跳跃连接，从而提升多层特征融合效果。在解码器阶段，虽然深度可分离卷积能够有效降低参数量和计算复杂度，但由于缺乏跨通道特征交互，削弱了小目标的细节特征。为此，在输出端引入轻量梯度门控模块（lightweight gradient gating，LGG），利用Sobel梯度引导的空间注意力进一步强化小目标的边缘与细节特征。结果在SIRST、IRSTD和NUDT-SIRST三个公开红外小目标数据集上的实验表明，MPCF-Net在交并比（intersection over union，IoU）和归一化交并比（normalized intersection over union，nIoU）指标上分别达到80.12% 、66.28%和84.26%，以及78.23%、64.58%和86.48%。同时，该方法在检测概率（probability of detection，Pd）上分别达到99.88%、94.23%和98.21%，虚警率（false alarm，Fa）仅为1.12×10^-6、4.39×10^-6和14.57×10^-6，展现了更优的检测性能。结论所提方法通过多分支感知和跨层语义融合，有效增强了红外小目标的边缘等判别特征提取能力及上下文建模能力，从而实现了更高精度的红外小目标检测。

水下新视角合成旨在从有限观测视角中重建完整的三维场景，并生成任意视点的高质量图像，为海洋观测与认知提供更丰富的空间信息。随着智慧海洋建设的深入推进，高精度水下三维重建与新视角合成的需求日益迫切。然而，水下成像环境中普遍存在的强散射效应和波长选择性吸收，对传统计算机视觉方法提出了前所未有的挑战，使得在陆地场景中表现优异的新视角合成技术难以直接应用于水下环境。鉴于国内外关于水下新视角合成任务的研究综述相对稀少，本文对水下新视角合成方法进行系统梳理和评述。本文系统梳理了水下新视角合成的研究脉络与最新进展：从物理机理角度解析了水下成像退化的根本原因及其对新视角合成的影响，总结并对比了典型研究方法，对代表性工作的技术原理、性能表现及其在应对光学效应、动态干扰与复杂场景恢复方面的优势与不足进行了深入分析，并从几何精度、成像质量和计算效率等方面对国内外研究现状进行了综合评估。最后，本文讨论了当前水下新视角合成所面临的核心挑战，并展望了未来的发展方向。本综述旨在为相关研究提供系统化的技术参考与发展指引，推动该领域的深入研究与实际应用。

目的腹腔出血病情凶险，快速准确诊断至关重要。本文旨在解决超声图像出血分割中存在的低对比度、强噪声和边界模糊等挑战。方法本文提出了一种基于空间域和频域结合的双域多尺度注意力U型网络（Dual-domain and Multi-scale Attention Unet，DMA-UNet）用于超声图像腹腔出血区域分割。其核心架构包含三个关键创新：编码器的空洞注意力卷积模块集成并行卷积注意力机制与空洞卷积，在保证效率的同时增强小目标特征捕获；中间层的快速傅里叶卷积残差块通过频域变换有效建模全局上下文；跳跃连接的联合注意力结构实现跨层级特征优化。三者协同构成双域结合的多尺度注意力分析框架。结果实验基于源自两个中心363张腹腔出血超声图像，通过数据增强对模型进行训练、验证与测试。结果表明，本文提出的模型Dice和IoU指标在两个中心的测试集中分别达到了0.8797、0.7961和0.9339、0.8762，消融实验验证了所设计模块对模型性能提升的有效性，同时与主流的分割模型相比分割性能也具有显著的提升。结论本文提出了一种双域多尺度注意力分析网络，通过在多个核心模块中引入注意力机制，有效融合了空间域和频域特征，显著增强了DMA-UNet全局上下文建模能力、信息融合效率和模型的泛化性能，为腹腔出血区域分割网络的设计提供了新思路，具有较大的临床应用价值。

视觉目标检测与跟踪技术已在白天场景中取得显著突破，为无人机（unmanned aerial vehicle，UAV）在智能领域的广泛应用提供了强大支撑。然而，这些方法在夜间场景下往往表现不佳，检测与跟踪精度显著下降。夜间作为无人机应用中不可或缺的场景，其复杂性与挑战性凸显了开展针对夜间无人机航拍图像目标检测与跟踪研究的必要性和现实意义。针对夜间无人机目标航拍图像检测与跟踪技术的现状及发展趋势，本文分析了感知能力有限、可视化特征不足、硬件平台资源受限以及复杂成像条件等因素所带来的挑战。从夜间无人机航拍图像目标检测研究出发，综述了夜间图像增强、域适应学习、多模态感知融合和轻量化模型等方法的研究进展。在夜间无人机航拍图像目标跟踪方面，重点综述了基于深度学习的五类范式，包括先增强后跟踪、域自适应、视觉提示学习、课程学习和多模态融合，系统总结了相关方法的优缺点及所应对的挑战。随后，介绍了夜间及全天候无人机航拍图像目标检测与跟踪常用的评价指标与典型数据集，并在构建的夜间无人机车辆目标检测集DroneVehicle-Night上进行性能评估与对比分析；同时，从VisDrone2019的测试集中筛选昼夜样本，对现有检测方法的夜间适应性进行了对比测试；此外，还汇总了包含四类跟踪范式在内的20种算法在夜间无人机航拍图像目标跟踪数据集UAVDark135与NAT2021上的性能评估结果。最后，对夜间无人机航拍图像目标检测与跟踪未来的发展方向进行了展望，为该领域的后续研究提供参考。本文实验所用到的算法、构建的数据集已经汇总至https：//github.com/bsfsf/DroneVehicle-Night和https：//doi.org/10.57760/sciencedb.32435以便后续研究者使用。