激光因其单色性、方向性、高亮度等特点有望被应用于光电成像系统的对抗过程中,因此开展激光对光电成像系统的干扰效果评估技术研究,具有重要的军事价值和现实意义。本文从激光干扰图像质量评价和激光干扰对目标检测的影响两个角度展开,具体研究工作可以归纳为以下几点:目前,全参考的激光干扰图像质量评价算法大部分都需要预先知道干扰光斑和目标的位置信息,使得评估处理时受到先验知识和预处理方法的制约。针对该问题,本文提出了一种基于卷积特征相似度的激光干扰图像质量评价算法(CNNSIM),通过分析激光干扰前后图像在卷积网络中的输出特征变化,利用特征的层次性和对遮挡的敏感性,对干扰图像中关键信息的被遮挡程度进行评价,避免了目标/光斑位置信息的输入需求,仿真实验验证了不同场景下新评估算法的有效性。针对实际应用中参考图像难以获得的问题,本文首先从被遮挡信息的预测处理入手,对马尔科夫随机场估计算法(MRF)进行了提速改进,实现了光斑遮挡区域信息的实时估计;然后结合自然场景中激光干扰图像的统计特点,采用机器学习的方法,提出了一种基于自然场景统计和遮挡区域信息估计的无参考评价算法(NSSIE)。与传统算法相比,新算法不需要参考图像,并能较准确地反映激光干扰图像的质量损失。大规模的仿真实验验证了新评价算法的有效性。另一方面,本文也从对目标检测影响的角度进行了干扰效果分析方法的研究。首先从目标遮挡率、目标相似度两个方面系统的分析比较了激光干扰对Faster-RCNN和YOLO-V3两种检测算法的影响。然后,提出了一种面向目标的干扰光斑有效干扰区域划分方法(TOEDZ),该方法利用仿真图像、目标与模板相似度、目标检测算法,确定目标在该检测算法下的有效干扰相似度阈值,将其迁移到其他光斑图像的干扰有效区域划分中,大规模的仿真实验验证了划分的有效性。