无论是民用领域的矿产资源勘查、土地规划利用、环境监测、海洋开发、气象预报及地理信息服务还是军事领域侦察监视、精确制导、超视距攻防对抗等都需要有足够宽的视场和足够高的分辨率以完成对目标的广域范围监测、搜索和跟踪。对基于宽视场高分辨成像系统海量图像数据的处理、分析和利用是该类系统建构的核心价值所在。其中,高分辨率传感器拼接成像过程中将涉及到对海量数据的实时处理,计算过程有着极高的复杂度,因此,图像拼接算法的准确性和实时性将成为影响系统性能的主要因素之一。此外,对于宽视场高分辨场景下动态目标的跟踪技术也成为后期图像分析的研究热点。同时,由于这类系统应用的环境自身的复杂性(背景变化、光照变化、阴影变化等)和动态目标固有的一些特性(非刚体、姿态多变等),使得可实用的目标跟踪技术仍然非常具有挑战性。针对以上需求,本文围绕宽视场成像系统的图像拼接和目标跟踪问题开展研究,主要研究工作如下:本文采用了一种将先验信息和统一计算设备架构(CUDA)相结合的自适应并行加速算法用于提高大视场全景拼接成像的实时性。在图像拼接之前,先利用高精度标定平台对各成像单元的重叠区域进行预标定。标定之后,利用基于CUDA的快速鲁棒特征检测方法提取参考图像与待配准图像的候选特征点集,再利用基于随机KD-Tree索引的近似最近邻搜索算法选取参考图像与待配准图像的初始匹配点对,本文还采用了基本线性代数运算子程序用于加速算法搜索速度。对于参考图像与待配准图像误匹配点对的删除和空间变换矩阵的参数估计,本文采用的是一种在传统的渐近式抽样一致性算法基础上改进的基于CUDA的并行算法。实验结果表明本文采用的算法极大地提高了图像拼接速度,可以满足图像拼接实时性的工程应用要求。为了对场景中动态飞行目标进行识别,提出一种基于混沌双种群进化策略的图像分割方法。利用进化策略能从选定的初始解出发,通过逐代迭代进化逐步改进当前解,直至最后收敛于最优解或满意解的特点和优势,将其用于图像分割阈值最优解的求解上。为了克服传统基于阈值的图像分割方法的缺点,例如较高的复杂度和早熟问题,本文提出了一个高效的基于进化策略的图像分割算法,它通过使用多种群进化策略来计算阈值。在进化过程中同时存在局部种群和全局种群两个群体,进而确保算法的全局和局部搜索能力。该算法的每一步迭代过程中,首先,基于混沌理论生成若干个初始个体,并将这些个体分别加入局部种群和全局种群,计算这些个体的适应度函数值。然后,将选择、重组、变异等进化操作算子作用于局部种群和全局种群,进行迭代进化,进化后的个体集合中选择最好的若干个体放入局部种群,其余放入全局种群,直至收敛。最后,种群中的最优个体即为所求的解。实验结果表明,本文提出的方法比传统的遗传算法有着更快的收敛速度。种群多样性信息能有效指导进化策略的进化过程,因此本文又提出了改进的混沌双种群进化策略算法,采用了多动机强化学习算法设定初始种群和本地种群数值,动态学习种群比例,以使进化策略的局部搜索能力和全局搜索能力进一步均衡化。动机层的引入为先验知识和领域知识的引入提供了条件,由此可以加速强化学习的学习进程。本文根据图像分割问题实际,定义了动机集合,采用了MMQ投票(MMQ-voting)方法用于指导智能体动作的选择策略。经过实验验证,本文采用的多动机强化学习方法能使强化学习以较快的速度收敛于最优动作策略,从而使种群个体多样性保持在一个合适的状态,有助于进一步提高图像最优分割阈值的搜索效率。为了对场景中动态飞行目标进行跟踪,提出一种基于强化学习的动态目标跟踪方法,将目标跟踪问题建模成强化学习问题,并提出了一个两阶段强化学习算法用于图像中的目标跟踪。我们设置了多个追踪智能体来跟踪图像中的目标,在算法的每一步中,首先对每个追踪智能体进行动态子任务分配,即先是给每个追踪智能体动态分配一个子目标,之后每个追踪智能体根据其当前的子目标选择其行动。学习算法将学习过程划分为两个部分,一个是学习任务分配的策略,另一个是学习动作选择的策略,每个追踪智能体通过共享Q函数来共享所学知识、提高学习效率。实验结果验证了该方法的有效性。