针对现有深度学习方法在修复壁画时，存在结构语义利用不充分和细节特征修复结果欠佳的问题，提出一种结构引导扩散生成式古壁画修复算法。首先，构建由门控卷积与快速傅里叶残差块组成的壁画结构重建模块，利用重建后边缘结构引导破损壁画修复，以克服结构语义修复利用不足的问题。其次，提出基于随机微分方程的生成式扩散模块，对待修复的壁画图像进行正向扩散处理。再次，设计掩码增强的逆向迭代重建模块，增强壁画破损区域与完好区域的语义一致性，提升壁画细节修复能力。最后，在敦煌壁画数据集上进行数字化修复实验。实验结果表明，所提算法能够有效完成壁画修复，并且主客观评价均优于比较算法。

深度卷积神经网络被广泛应用于结构磁共振成像（sMRI）分析，进行阿尔茨海默病的早期诊断。为解决sMRI高效表征学习问题，本研究提出了一种双通路卷积网络，其通过表征解耦提升sMRI特征抽取的计算效率，并利用自适应特征融合来增强表征判别性。该网络包含3个部分：1）高通道容量切片路径，处理稀疏切片，用于编码切片图像语义信息；2）低通道容量上下文路径，处理密集切片，用于捕获切片间上下文信息；3）自适应特征融合模块，融合2条路径的解耦信息，生成更加有效的sMRI表征。本研究基于阿尔茨海默病神经成像倡议（ADNI）数据集，在阿尔茨海默病分类和轻度认知障碍转化预测2个任务上对所提方法进行了评估。结果显示，所提方法在计算效率和诊断性能上均优于基线模型，并且取得了与当前先进方法相当的效果。

智能合约是运行在区块链上的一段计算机程序，具有自动执行、不可篡改、公开等特性。智能合约控制大量高价值数据的流动，攻击者可以利用智能合约存在的漏洞窃取资金或资源。现有的检测方法，如符号执行存在路径爆炸、误报率较高等问题，机器学习方法是黑盒的，有不可解释性。针对上述问题，提出了基于专家模式和可解释的机器学习来进行智能合约代码漏洞的检测，设计漏洞的专家模式，使用可解释性机器学习（SHAP）来解释多种特征的权重，针对4种漏洞（重入漏洞、时间戳漏洞、整数溢出漏洞、权限控制漏洞）的平均检测准确率达到了90.36%，和Oyente、Mythril等经典工具相比取得了更好的检测效果。

第5代移动通信系统（5G）虚拟专网承载电力业务，在提升系统承载量的同时，也带来了新的安全挑战。通过对电力系统进行安全性分析，能够有效辨识安全风险，并指导后续的安全防护策略设计。然而，现有方法一方面缺乏具有针对性的体系构建，另一方面未能给出直观的量化评估。基于电力业务特点提出了基于主客观分析的电力5G虚拟专网安全风险评估方法，搭建评估指标体系，并通过层次分析法、熵值法等方法从主客观2方面对安全风险进行分析评估。最后，通过实例分析证明了所提安全风险评估方法的有效性和适用性。

第6代移动通信（6G）及未来通信系统面临通信智能深度融合的发展需求，本研究聚焦于解决通信智能深度融合面临的三大核心问题：1）通信带宽增加与资源消耗剧增的本质矛盾；2）信源压缩能力提升以实现信息熵减；3）信息系统适应性增强以优化通信系统增益。立足智慧内生的思想，在全球率先提出了现代语义通信与6G智简网络理论技术体系。该体系突破经典信息论局限，提出了语义信息论，拓展了经典通信理论边界；革新通信范式，提出了“先算后通”现代语义通信新路径；构建了“智慧内生、原生简约”的6G智简网络理论技术体系，为突破未来通信瓶颈提供了核心理论支撑与关键技术路径。基于此体系，团队成功搭建了国际首个面向6G智能通信融合的外场试验网，在大视频传输、无人车通信、工业互联网和星地通信等典型场景中完成了外场试验验证。在标准化领域，主导成立中国通信标准化协会技术委员会630（CCSA TC630）语义通信推进委员会和国际移动通信2030（IMT-2030）6G推进组语义通信任务组两大核心标准组织，推动具有自主知识产权的“中国方案”纳入国际标准体系。相关成果已在全球产业界与学术界开辟了“智简”演进新路径，实现了从基础理论创新、核心技术突破、试验环境验证到国际标准推动的全链条贯通，为我国掌握6G技术发展主导权、抢占未来通信技术战略制高点、构建安全可控的产业生态提供了系统性科技支撑与坚实保障。

反向散射通信因其低成本、低能耗的优势在物联网领域得到了广泛的关注。然而，随着数据业务的逐渐扩展，对反向散射通信的传输性能也提出了新的挑战。多输入多输出（MIMO）技术因其在系统可靠性和传输速率方面的优势被引入到反向散射通信中，其中一种称为块级酉查询-空时编码（BUTQ-STBC）的双端联合编码技术更是充分挖掘了反向散射信道的分集潜力，然而其以牺牲传输速率为代价。为此，提出了一种新的信号传输方案，其基于空间匹配的思想选择最优的通信链路来进行数据传输。仿真结果表明，提出的传输方案优于传统的BUTQ-STBC的联合编码方案，所提方案为MIMO反向散射通信的高效、可靠传输提供了解决思路。

对于全双工（FD）速率分割多址接入（RSMA）系统，提出了一种最大化最小用户速率的方法。首先，以基站预编码矩阵、功率分配和公共速率分配作为优化参数，以用户功率和速率需求作为约束条件，构建该系统中最大化最小用户速率的优化问题；然后，通过引入松弛变量分别简化优化目标函数和约束条件，并利用1阶泰勒展开对约束条件进行线性近似，从而将非凸优化问题转化为凸优化问题；最后，基于迭代和凸优化（CVX）方法求解优化问题。仿真结果显示，随着基站发射功率的增加，最小用户速率也随之增加，并且所提方案的最小用户速率高于相同场景中的已有方案。

脑肿瘤分割是医学图像分析领域的关键任务，且脑肿瘤及其亚区域具有复杂和不规则的边界结构。针对现有脑肿瘤分割算法在建模长距离依赖和资源开销方面的不足，提出了一种轻量级的脑肿瘤图像分割算法。具体而言，设计了一种融合卷积神经网络（CNN）与Transformer的混合轻量级编码器。在浅层特征提取阶段引入深度可分离卷积，以降低计算复杂度；在深层特征提取阶段，提出局部-全局双分支特征提取模块（SFB），结合Transformer与ShuffleNet v2的优势，实现局部与全局上下文信息的融合。此外，在Transformer模块中引入轻量级全局注意力模块和局部感知模块，分别用于建模长距离依赖关系和增强局部特征感知能力。最后，在BraTS 2019数据集上进行了充分的实验。实验结果表明，该模型在仅使用0.98M参数量和54.60G每秒浮点运算次数的条件下，分别在整体肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）区域达到了93.1%、92.2%和91.2%的戴斯相似性系数。在保持极低计算成本的同时，模型在各关键区域的分割精度整体优于现有主流方法，实现了在效率与性能之间的最佳权衡。

在物联网（IoT）入侵检测领域中，联邦学习已成为实现模型权重集成更新的有效解决方案。这种分布式学习方法允许设备在本地训练模型，并将更新后的参数传输到中央服务器进行聚合。然而，现有基于联邦学习的入侵检测方法仍然存在局限性，在非独立同分布的数据及客户端模型异构的场景下，全局模型的入侵检测性能会受到严重影响。同时，传输模型参数导致的大量通信开销也阻碍了联邦学习方案的实际部署。为了解决上述问题，提出了一种基于半监督联邦学习的高效物联网入侵检测方法。通过利用未标记的公开数据增强模型对数据的理解能力，不断提高客户端分类器的性能，同时加入鉴别器模块提高客户端预测标签的质量，并通过硬标签策略和投票机制的结合有效降低通信开销。实验结果表明，在非独立同分布数据和客户端模型异构场景下，实现了86.97%的准确率，优于典型的联邦学习方法，同时实现了更低的通信开销。

在第6代移动通信（6G）系统中，智能反射面（IRS）通过实时调整无线传输环境提高无线传输效率。在分布式IRS辅助多输入多输出（MIMO）系统中，当用户数量远大于基站（BS）的天线数量时，如何联合优化用户选择和波束赋形以降低BS的发送功率，对绿色通信发挥重要作用。为此，在满足用户服务质量的前提下，联合优化用户选择、BS波束赋形向量和分布式IRS的相移矩阵，以BS发送功率最小化为优化目标建立模型。为简化该模型，将其解耦成2个迭代的子问题，以逼近原问题的最优解。首先，利用人工蜂群（ABC）算法和2阶锥规划（SOCP）求解最优用户选择策略和BS波束赋形向量。然后，采用半正定松弛（SDR）方法优化IRSs的相移矩阵。仿真结果表明，所提算法不仅具有很好的收敛性，而且能有效降低BS的发射功率。