目的高光谱图像变化检测在环境监测、土地利用分析及灾害评估等领域具有重要应用价值。然而，现有深度学习方法多在高层或决策阶段进行特征比较，难以充分利用多层级时间差异信息，导致细微变化难以准确捕获，限制检测精度。方法针对上述问题，本文提出时间差引导网络（time-difference-guided network， TDG-Net）。该方法以Vision Mamba为主干构建孪生架构，设计时间存储器模块（time storage module，TSM），基于简化长短期记忆网络（simplified long short-term memory，sLSTM）对双时相高光谱图像多层特征进行时序建模，提取显式时间差特征；进一步通过时域差引导策略将时间差信息转化为空间注意力权重，并以残差方式反馈至多层特征提取网络，实现对变化区域的强化与未变化区域的抑制。同时引入Dice损失函数缓解类别不平衡问题。与近年Mamba-based方法相比，本文核心区别在于通过轻量LSTM在多层级显式建模并引导时间差，而非仅在高层隐式融合。结果在River、Farmland和Hermiston数据集上，所提方法在总体精度（OA）和Kappa系数均优于CVA及自监督高光谱空间–光谱特征方法。其中，River数据集OA为96.54%、Kappa为78.51%；Farmland为95.87%、90.11%；Hermiston为98.21%、91.79%。消融实验表明TSM与时域差引导策略均带来显著提升。结论本文通过显式多层级时间差建模与层次化引导，有效提升高光谱变化检测精度与鲁棒性，在复杂场景下具备良好泛化能力。

目的航空遥感可见光与红外（red-green-blue and infrared， RGB-IR）目标检测中，不同模态对检测任务的贡献会随成像条件动态变化。现有方法虽能在一定程度上利用条件信息调节模态融合，但对与模态可靠性直接相关的质量属性的显式建模仍然不足，难以根据成像条件变化自适应调节不同模态对检测任务的贡献。针对上述问题，本文提出一种基于模态可靠性建模的航空遥感RGB-IR目标检测方法，通过语义先验蒸馏引导检测网络学习检测导向的模态可靠性表征，并实现可见光与红外模态的自适应融合。方法首先，构建面向无人机场景的模态质量属性描述数据集，对影响检测性能的关键成像因素进行结构化表达。然后，利用视觉语言模型对属性描述文本进行编码，形成与模态可靠性相关的语义先验，并通过训练阶段的蒸馏监督与属性监督，引导检测网络学习检测导向的模态可靠性表征。最后，从场景级全局可靠性和位置级局部空间可靠性两个层面联合建模可见光与红外模态的有效性，实现面向目标检测的动态自适应融合。结果在DroneVehicle和VEDAI两个公开RGB-IR数据集上，所提方法均取得了较优性能。其中，在DroneVehicle上的mAP@0.5和mAP@0.5：0.95分别达到79.7%和53.7%；在VEDAI上分别达到67.1%和30.1%，并在夜间、弱光及复杂干扰场景下表现出更好的检测精度与鲁棒性。消融实验进一步验证了模态质量属性建模、语义先验蒸馏和全局-局部模态可靠性联合建模的有效性。结论所提方法能够以较低开销将视觉语言模型的模态质量感知能力迁移至检测网络内部，在无需测试阶段额外引入大模型分支的条件下，有效建模复杂成像条件下的模态可靠性变化，提升航空遥感红外与可见光目标检测的精度与鲁棒性。

目的针对 Himawari-8/9 卫星影像中早期微弱火点难以准确识别的问题，提出一种融合多尺度空间特征与长时序动态建模的火点检测方法，以提升早期微弱火点识别能力和复杂场景下的检测稳定性。方法构建 Fire-Mamba 火点检测模型。设计多尺度上下文热异常感知模块（Multi-Scale Contextual Thermal Anomaly-aware Module，MCTAM），通过双分支深度可分离卷积联合提取局部热异常信息与大尺度背景上下文信息，增强微弱热异常的空间表征能力；在此基础上，引入 Mamba 时序建模模块，对逐像素时序特征进行长程依赖建模，以刻画火点从初始热异常到持续扩展的动态演化过程；同时结合焦点损失函数缓解火点像素稀疏带来的类别不平衡问题，并采用滑动时间窗口实现逐时刻火点预测。结果在6起真实森林火灾事件上的实验结果表明，所提方法在火点识别率、总体准确率和漏检率方面优于各对比方法；但其误报率高于较为保守的JAXA（Japan Aerospace Exploration Agency， JAXA） WLF L2（Himawari Wildfire Product Level 2， WLF L2）产品， 说明模型在误报抑制方面仍存在进一步优化空间。模型火点准确率（FA）达到 90.33%，总体准确率（OA）为 99.60%，漏检率（OFR）为 9.67%，误报率（FAR）为 18.80%，在复杂背景、弱小火点和火灾早期阶段均表现出较好的检测能力与时序稳定性。可视化结果进一步表明，该方法能够获得边界更完整、连续性更强的火点响应，对早期火情具有更高敏感性。结论所提 Fire-Mamba 方法能够有效融合多尺度空间信息与长时序演化信息，提升 Himawari-8/9 卫星早期火点检测的准确性，可为近实时野火监测与早期预警提供技术支持。

在“双碳”战略深入实施与视觉智能（artificial intelligence，AI）产业快速发展的双重背景下，推动视觉智能技术的绿色化发展已成为实现经济社会可持续发展的重要路径。我国《“十四五”数字经济发展规划》明确提出推动算力基础设施绿色低碳发展。近年来，以深度学习为代表的视觉智能技术性能的飞跃很大程度上得益于模型规模的持续扩张与训练数据的海量增长，但由此引发的数据采集标注成本高、模型训练推理能耗大等问题，也对智能产业低碳转型构成现实挑战。在此背景下，绿色视觉AI作为兼顾技术性能与可持续发展的研究范式受到广泛关注，其核心目标是在保障模型任务性能的前提下，降低视觉智能部署前后的数据、算力、人力等各类成本，实现技术性能与能耗效益的协同。针对这一挑战，本文深入探讨面向绿色视觉AI的视觉智能技术节能化技术，从数据采集、数据标注、模型推理与模型迭代四个核心环节出发，介绍各环节中的节能策略与优化思路，梳理技术方案与发展现状，探究当前面临的主要挑战与未来研究方向，为视觉智能技术的绿色化、可持续化发展提供理论支撑与实践框架。

目的伪装目标检测（camouflaged object detection， COD）旨在从复杂场景中识别与背景高度融合的隐藏目标，在农业、医学等领域具有重要研究价值与应用潜力。针对现有方法受限于卷积神经网络（convolutional neural networks， CNN）有效感受野不足、Transformer计算复杂度高，以及仅依赖RGB图像、忽视深度几何先验等问题，开展本文研究。方法提出一种状态空间模型引导多模态融合的RGB-D伪装目标检测方法。利用Depth Anything V2生成高质量伪深度图，输入参数共享编码器提取多模态金字塔特征；设计基于Mamba的多模态状态空间融合模块（multi-modality mamba fusion module， M3FM），实现RGB 与深度特征双向互惠融合；构建基于多核非对称卷积的双向上下文混合卷积模块（dual-directional context mixture convolution， DCM-Conv）与多尺度解码器，在提取多感受野特征的同时控制参数量与计算开销。结果在CAMO、COD10K、NC4K 3个伪装目标检测基准数据集进行实验，与11种代表性方法进行定量和定性对比。在平均绝对误差（mean absolute error， MAE）指标上，本文方法相较于排名第2的方法，在3个数据集上分别降低21.3%、17.4%和12.5%；同时在结构度量（structure measure， Sm）、增强对齐度量（enhanced alignment measure， Em）、加权F度量（weighted F-measure， wFm）上均取得最优值。模型参数量仅58.5M，计算复杂度（floating point operations， FLOPs）仅47.6G，精度与效率平衡优异。可视化结果表明，本文方法分割更准确、边界更清晰、细节保留更完整、背景误检更少。结论提出状态空间模型引导多模态融合的RGB-D伪装目标检测方法MambaCOD。通过多模态状态空间融合模块M3FM有效实现RGB与深度特征双向互惠融合，利用Depth Anything V2提供高质量几何先验，并借助DCM-Conv模块增强多尺度上下文特征，可精准定位伪装目标并提升边界与细节清晰度。

目的针对工业安全场景中风险类别长尾、标注样本稀缺、现有视觉模型对未知风险泛化不足且推理过程不透明的问题，研究小样本条件下的可解释风险识别方法。方法构建核心思维链训练集与Few-shot样例库，提出上下文思维链学习框架。在模型层面，引入层级化视觉编码器、语义一致性分类头以及主动感知与迭代精炼机制，以增强多粒度视觉感知能力并约束推理文本与最终判断的一致性。在训练层面，采用“两阶段训练”策略：首先利用结构化思维链监督注入工业安全推理模式；随后通过上下文归纳训练强化模型从少量样例中适应未见风险类别的能力，并结合对比式图文基底损失提升视觉依据约束。结果在14类未见危险评估集（unseen hazards-14，UH-14）3-shot设置下，所提模型F1-score为68.56%，较ChatCH-SFT提高12.81个百分点；F2-score由57.83%提升至70.81%，召回率达到72.40%。消融实验表明，上下文学习与思维链学习均对性能提升具有积极作用。结论所提方法适用于长尾、少样本且对高召回与可解释性要求较高的工业安全识别场景，并可为其他复杂视觉风险识别任务提供参考。