针对机场道面地下目标检测任务中，探地雷达（GPR）生成的B-scan图背景复杂、包含大量噪声，尤其是单个B-scan图不能反映地下目标的完整信息等问题，构建一种三维通道和空间注意力的UNet（3D-CSA-UNet）模型对地下目标进行自动检测。首先，设计三维通道和空间注意力并行模块（3D-CS-Block），使模型重点关注雷达C-scan中的地下目标信息，抑制背景和噪声的干扰；其次，设计多尺度的三维分割模型从雷达C-scan中提取不同大小的特征图，以增强3D-CS-Block提取目标特征的能力；最后，使用交叉熵损失函数计算每个尺度下特征图的损失值，从而提高模型的检测精度。在采集的实际机场道面地下目标数据集上，相较于3D-FCN、3D-UNet等模型，3D-CSA-UNet对于脱空、钢筋和钢筋平行目标预测的平均F1至少提高12.33、9.05、11.05个百分点。实验结果表明，3D-CSA-UNet可以较好地满足工程实际要求。

在使用探地雷达（GPR）生成的Bscan图像进行地下目标检测时，当前基于深度学习的目标检测网络模型存在训练样本需求量高、耗时长，不能区分目标显著程度，难以识别复杂目标等问题。针对以上问题，提出一种基于直方图的双阈值分割算法。首先，根据地下目标的GPR图像直方图分布特性，快速从直方图中计算出分割地下目标所需的两个阈值；然后，采用支持向量机（SVM）和LeNet的组合分类器模型对分割结果进行分类识别；最后，进行分类结果整合并统计精确度数值。相较于传统的最大类间方差法（Ostu）、迭代法等阈值分割算法，所提算法获得的地下目标分割结果结构更加完整，并且几乎不含噪声。在真实数据集上，所提算法的平均识别准确率达到了90%以上，比仅使用单一分类器的平均识别准确率提高40%以上。实验结果表明，所提算法能够同时有效分割显著和非显著性地下目标，且采用的组合分类器能够获得更好的分类结果，适用于小样本数据集的地下目标自动检测和识别。

针对城市环境中全球定位系统(GPS)信号易受到高层建筑遮挡而无法提供准确位置信息的问题，提出了一种基于建筑物竖直侧平面特征及建筑物二维轮廓地图的移动机器人定位方法。该方法利用车载视觉，首先对两视图间的竖直直线特征进行匹配;然后基于匹配的竖直线特征对建筑物的竖直侧平面进行重建;最后，利用建筑物竖直侧平面特征及建筑物二维俯视轮廓地图，设计了一种基于随机采样一致性(RANSAC)的移动机器人视觉定位算法，从而解决了在建筑物方向任意的复杂城市环境中的机器人定位问题。实验结果表明，算法的平均定位误差约为3.6m，可以有效地提高移动机器人在复杂城市环境中自主定位的精度及鲁棒性。