随着现代防御技术的发展,攻击型无人飞行器(Attack Unmanned AerialVehicle,AUAV),需要不断提高其自主控制能力,而基于图像融合的态势感知是实现自主控制的前提。由于战场环境日益复杂,如何设计有效的图像融合方法,提高AUAV对目标的识别能力和对威胁的规避能力,增强其智能程度,是一个具有重要理论价值与军事意义的课题。图像融合在多维空间综合处理图像信息,形成具有决策意义的融合结果。目前的研究方法多是基于先融合再评价的模式,因而无法使图像融合的结果达到最优。为了提高AUAV多传感器图像融合的性能,论文采用多目标优化理论,对AUAV图像融合的关键环节(包括预处理、融合算法、目标定位等问题)展开研究。论文的研究工作和主要创新点如下:1)研究了基于图像融合的AUAV自主控制系统。介绍了自主控制的概念和层次划分,分析了基于图像融合的AUAV自主控制系统的组成、功能和结构,并设计了相应的系统流程,并将其分为态势感知、动态重规划和任务执行三个阶段,其中态势感知包括图像预处理、图像配准、图像融合、目标识别与定位等环节;动态重规划包括控制策略选择和实时航迹规划两步。2)提出了基于离散小波变换(Discrete Wavelet Transform,DWT)和快速离散曲波变换(Fast Discrete Curvelet Transform,FDCT)的AUAV图像融合预处理方法。针对目前图像去噪方法多不能实现最佳的去噪效果等问题,研究了基于多目标优化算法的图像去噪方法,给出了图像去噪的评价指标,提出了基于DWT和基于FDCT的图像去噪优化算法。实验结果表明,两种方法都可以实现Pareto最优的图像去噪效果,且两者各有优势,DWT法速度较快,而FDCT法去噪效果较好。在一定条件下,如机载传感器成像条件保持不变,去噪阈值可以设为定值,这样得到图像可实时进行处理并输出结果,满足实际应用的需要。3)提出了基于多目标优化理论的AUAV图像融合方法。首先设计了图像融合的有效评价准则,即分别从单幅图像质量、与源图像关系和与参考图像关系三个角度出发,选择并设计了一组有效的评价准则,设计了新的交互信息量指标,避免了信息的重载,并根据指标相关度和指标选取原则对图像融合的指标进行评价和选取;然后以多个评价指标作为优化目标,进行融合参数的优化搜索,并对图像融合的空域模型和小波域模型进行了统一,提出了两种融合规则,简化了图像融合模型的设计;最后进行了多聚焦图像融合、盲图像融合、多分辨和彩色图像融合实验,并根据不同的融合图像进行相应的算法设计和评价指标设计,实验结果表明所提方法不但有效,而且能够得到最优的评价指标。4)提出了最优的图像融合小波分解层数计算方法,并研究了图像融合小波基函数的选取问题。为了实现最优的图像融合,小波分解层数和小波基函数的选择都是很重要的。基于多目标优化理论,提出了用于图像融合的小波分解层数优化方法。实验结果表明最优的分解层数并不是一个固定值,它随源图像的特性发生改变。一般地,最优分解层数随着源图像的尺寸而增加。但无论源图像有何种特性,用多目标优化的方法都可以获得最优的分解层数,而且该方法可以获得Pareto最优的融合结果,使各评价指标最大化。对最优的小波域图像融合而言,小波基函数的选取也是非常重要的。根据图像融合的特点给出了小波基函数的选取原则,为使结果更有意义,计算较为简便,并避免图像重构失真,采用Haar小波函数作为基函数。5)提出了基于变形模板的融合图像目标识别与跟踪方法。在融合图像基础上,研究了目标的提取与定位问题。首先分析了变形模板用于目标识别与跟踪问题的优势,由于变形模板具有形式化的描述参数,因此可以很好的定义各种形状的目标。然后设计了典型目标的解析参数式变形模板,定义了变形模板的能量函数,将其化为单目标优化问题进行求解。提出了基于变形模板的目标识别与定位方法,通过对能量函数的优化达到目标匹配目的,给出了不同目标定位方法及其使用条件。最后研究了基于变形模板的目标跟踪算法,实验表明变形模板方法能够实现快速的目标搜索、识别、定位和跟踪。6)提出了基于PSO的多目标优化算法MOCPSO。借鉴不同的多目标优化算法思想,提出了适合不同优化目标和优化问题的MOCPSO算法(Multi-objectiveConstriction Particle Swarm Optimization),放弃用自适应网格进行种群Pareto最优解的控制,设计了一种新的分层拥挤算子进行种群的多样性保持,并引入自适应变异操作,从而提高算法寻优能力,避免早期收敛,使Pareto最优解尽可能均匀分布于Pareto前端,最后用均匀设计进行算法控制参数的优化设计。分析了多目标优化算法的评价准则,并给出了典型的测试函数,最后通过实验考察了算法的性能,结果表明算法对不同的多目标优化问题都具有较强的适应性。