为解决室内非视距（non line of sight，NLOS）环境以及低信标部署密度下传统定位算法精度急剧下降的问题，提出一种基于测距修正的低功耗蓝牙（bluetooth low energy，BLE）和行人航位推算（pedestrian dead reckoning，PDR）融合定位方法。通过SketchUp室内3D建模软件联合射线追踪算法实现BLE的接收信号强度（received signal strength，RSS）快速构建，避免人工繁琐的RSS实地采集。设计一种基于卷积神经网络的变分自编码器（variational autoencoder based on convolution neural network，VAE-CNN）模型对BLE测距误差进行预测和修正，提升BLE定位精度。采用扩展卡尔曼滤波（extended Kalman filter，EKF）融合BLE和PDR的定位结果。实验结果表明，采用测距修正后的BLE测距定位以及EKF融合定位在NLOS以及信标部署密度低的环境下具有较好的定位性能。

设计并仿真优化了一款基于“L”形探针馈电的新型±45°双极化微带贴片天线。采用2个正交且具有高度差的“L”形探针相互耦合馈电以实现双极化，使得天线所承载的信道容量得到大幅度提升。介于两介质基板之间的金属铜柱起到馈电和辐射的作用。微带辐射贴片通过金属化过孔连接，并采用开口均朝内的对称“τ”形槽设计以增加谐振频点，将极化贴片设计成“S”形以扩展带宽。仿真结果表明，天线在2.08～2.77 GHz、3.66～5.36 GHz频段S₁₁＜-10 dB，相对阻抗带宽为66.15%，增益不低于6 dBi，辐射效率在90%以上，端口之间的隔离度大于10 dB，交叉极化电平大于20 dB。经实物制作及实际测量表明，天线在端口1处的测量结果与模拟结果之间吻合良好；在端口2处由于制作工艺及实验测试环境条件的影响使得测量结果有偏移，但在可接受范围内。与相近研究结果相比，设计天线具有宽带宽、结构简单易于制作、尺寸小的优势，可应用于C波段（3700～4200 MHz）和无线局域网（wireless local area network，WLAN）频带（2400～2484 MHz和5150～5350 MHz）的无线收发通信系统。

移动边缘计算（mobile edge computing，MEC）和无线能量传输（wireless power transfer，WPT）结合，可以有效缓解无线设备计算资源与电池能量受限问题。针对非线性能量收集模型下无线供能移动边缘计算系统的动态节能卸载问题，提出了一种基于Lyapunov优化理论的能耗优化算法。通过联合优化服务器计算频率、能量站发射功率、任务卸载时间、设备传输功率和本地计算频率，在保证系统稳定性的同时，最小化系统长期平均能量消耗；通过Lyapunov优化理论将随机优化问题转换为基于时隙的确定性子问题，并利用拉格朗日乘子法和改进鲸鱼优化算法进行求解。仿真结果表明，与基准方案对比，提出的计算卸载方案在保证任务队列长期稳定的同时，显著降低系统所需能量。

针对智能反射表面-正交时频空间（intelligent reflecting surface orthogonal time frequency space，IRS-OTFS）通信系统中分数信道参数影响信道估计性能的问题，利用OTFS在延迟-多普勒（delay Doppler，DD）域信道的稀疏性，提出一种IRS-OTFS通信系统信道估计方法。将信道参数之间的联合稀疏性信道估计问题转为稀疏信号恢复问题。引入快速迭代收缩/阈值算法（fast iterative shrinkage thresholding algorithm，FISTA）进行求解，推导了IRS-OTFS通信系统的输入输出关系。提出一个基于FISTA算法的网络架构，将稀疏信号恢复算法的迭代过程展开为神经网络，自动学习算法中的最优超参数和非线性函数，解决传统FISTA需要手动调参的问题。理论分析和仿真结果表明，在信道传输条件相同的情况下，该算法与基准算法相比具有较低的估计误差。

针对用户在存在窃听者的复杂通信环境进行中继通信的安全问题，提出了一种多无人机辅助的中继通信网络为用户提供通信服务。通过基于Q混合网络（Q-mixing network，QMIX）的多智能体深度强化学习（multi-agent reinforcement learning，MRAL）算法优化无人机轨迹与功率分配，在信息安全敏感度较低用户（次要用户）最低速率得到保障的情况下，提高信息安全敏感较高用户（主要用户）的安全和速率。仿真结果表明，算法相较于双层深度Q网络（double deep Q-network，Double DQN）和对偶深度Q网络（dueling deep Q-network，Dueling DQN），累积奖励分别提高了大约15.5%和1.26%；模型的速率分割多址技术相较于空分多址和非正交多址技术，在系统整体性能和信息安全保障方面都具有显著优势，为多用户通信场景下的安全高效通信提供了更优解决方案。

提出一种激光散斑技术和深度学习技术相结合的木板识别方法。利用常规照相技术和激光散斑技术获取木板改性处理前后在常规照明和恶劣环境（黑暗环境、虚焦状态）下的木板图像及其激光散斑图像，并建立相应的数据集。采用ResNet34深度学习网络模型对数据集进行分类实验，结果表明，ResNet34模型对激光散斑数据集进行分类时能够达到较高的识别准确率，并在恶劣环境下，使用激光散斑图像数据集分类时，能够取得较好的分类效果。同时，引入混合注意力机制（convolutional block attention module，CBAM）模块对ResNet34卷积神经网络进行优化，用于激光散斑图像分类，识别正确率达到93.29%。利用激光散斑技术及深度学习模型进行木板种类识别对环境要求较低，是一种新颖的、有前途的高效技术方法。

生成式文本摘要模型能够为摘要生成新的表达，即使是最先进的摘要模型也可能产生与原始文本矛盾或无法验证准确性的内容，这种现象被称为“幻觉”。为解决这一问题，提出了一种内在幻觉优化方法，用于改进摘要生成过程。该方法分别从数据层面、模型训练层面和摘要生成策略层面提出了摘要模型幻觉优化方法。在2个数据集上的实验验证均取得最佳性能。实验结果表明，对比基线模型，在CNNDM数据集上R-1得分平均提升8.58%；在XSUM数据集上R-1得分平均提升7.26%。该方法不仅能够提升摘要生成效果，而且有效减少了生成摘要中的幻觉问题，为生成式文本摘要模型落地和应用提供了参考。

工程图纸关键标识的定位与识别一直是计算机视觉的关键应用之一。基于深度学习的文本检测方法相较于传统方法而言拥有更高的检测效率与准确性，将现有的文本检测算法应用到工程图纸识别任务中是有必要的。提出了工程图纸关键标识定位与识别方法，针对工程图纸中的索引标识和尺寸标识进行位置检测和内容识别。索引标识位置检测需要把图纸进行切割统一大小，要用非极大值抑制剔除冗余候选框。尺寸标识位置检测通过对遮蔽后的图纸进行一次完整的检测，对每一个检测框和索引标识位置计算面积交并比以剔除部分数据。实验结果表明，该方法对工程图纸的索引标识和尺寸标识进行位置检测和内容识别具有较高的精确率和召回率。

时序知识图谱推理用于预测未出现在时序知识图谱中的事件信息，在推荐系统、问答系统和医疗等场景下取得了重要的应用。时序知识图谱中实体相关背景知识的缺失，限制了推理技术的发展。现有的推理方法依赖于外部图谱，却很少关注图谱自身所隐含的背景信息。为了充分挖掘图谱隐含的背景信息，通过抽取跨时间共性的特征刻画实体背景，提出了一种融合了跨时间共性特征的时序知识图谱推理模型（temporal knowledge graph reasoning model incorporating cross-time commonality features，TR-CTC）。TR-CTC利用图神经网络模型，从多跳路径中抽取跨时间共性特征作为实体的背景信息；融入到时序知识图谱表示学习过程中，提升推理性能。实验结果表明，TRCTC在链接预测任务中普遍优于基准模型。

针对4DoF抓取检测的性能，改进了抓取表示方法，并提出了基于深度值引导的机械臂多尺度抓取检测框架（DGM-Grasp）。在编解码网络的基础上，融入多尺度跨空间注意力下采样模块，以更好地聚焦抓取特征；为了提取多尺度语义信息，设计了渐进式多尺度特征融合-解码模块；通过提出的深度值引导的抓取筛选模块解决抓取过程中的碰撞问题。DGM-Grasp在Cornell和Jacquard两个单目标数据集上准确率分别达到98.6%和95.25%，检测用时可降低至21 ms；在多目标数据集上也取得了良好的效果；消融实验和真实抓取实验成功率达到96%。实验充分验证了DGM-Grasp的泛化能力和性能。

针对水下光线衰减、散射等影响导致水下目标检测效果不佳的问题，提出一种基于YOLOv8的水下目标检测框架ERMS-YOLOv8，提升水下目标检测性能。主干网络采用高效视觉transformer网络（efficient vision transformer，EfficientViT），增强模型对水下生物的特征提取能力，减少特征信息丢失；Neck部分采用高效重参数化广义特征金字塔网络（reparameterized generalized-directional feature pyramid network，RepGFPN），增强模型对水下生物高层语义和低级空间特征的提取和融合能力，使得模型获取更加丰富的特征信息；引入混合局部通道注意力机制（mixed local channel attention for object detection，MLCA），使得模型同时融合通道信息、空间信息、局部通道信息和全局通道信息，增强了模型的表征能力；引入可扩展交并比损失函数（scalable intersection over union loss，SIoU），提升模型对目标边界信息的提取能力，从而进一步提高检测精度。实验结果表明，改进后的算法在UPRC2021和DUO数据集上mAP值分别达到83.9%和84.4%，与基准YOLOv8算法相比都有提高，在水下目标检测中具有优越的性能。

针对在资源有限的边缘计算端部署长短时记忆（long short-term memory，LSTM）神经网络遇到的计算效率低、功耗高的问题，提出一种基于脉动阵列架构的分布式计算LSTM加速器设计方案。通过将输入数据分布式存储，从而以减少数据的流动性并降低功耗；通过脉动的方式传递数据，从而减少计算单元的空置率并提高计算效率。在VU13P系列现场可编程门阵列（field programmable gate array，FPGA）的验证结果表明，所设计的LSTM加速器在200 MHz的工作频率下有效算力179.2 GOPS，动态功耗0.343 W，能效比522.4 GOPS/W，相较于当前典型设计，能效比提升34%以上。

为了解决经典神经网络在数据规模爆炸式增长情况下出现的算力瓶颈问题，探索基于量子计算的量子卷积神经网络（quantum convolutional neural network，QCNN）成为了研究热点。基于含噪中规模量子（noisy intermediate-scale quantum，NISQ）设备所能提供的有限资源，构建用于图像分类的量子卷积神经网络。采用角度编码，基于数据重载分类器设计了卷积层，构建四量子比特的池化层；设计了两种结构的量子全连接层对图像进行分类，并分析了其结构对QCNN分类性能的影响。仿真实验表明，提出的QCNN模型在二分类任务上具有更高的分类精度和更好的泛化性能，最高分类精度为100.00%，最低为94.55%，平均达到97.29%；提高了模型的线路深度，可以使得模型在四分类任务中的分类精度超过90%。

现有的对话情绪识别模型在上下文建模时通常忽视了话语间的连贯性特征和语篇结构信息。为此，提出了基于连贯性特征与语篇结构的对话情绪识别模型。通过进行话语连贯性检测，排除弱连贯或不连贯的话语信息，采用构建连贯矩阵获取局部与全局的连贯信息；利用对话解析器构建语篇结构关系，并采用有向无环图进行语篇结构建模，同时传递语篇结构信息和说话者信息；通过交互注意力对连贯信息与语篇信息进行交互融合，生成情感标签。在2个公开数据集上进行了实验验证，结果表明，提出模型与现有相关模型相比，在性能指标上有一定的提升。

为了缓解数据稀缺问题，收集并标注了两个红外跟踪的数据集用于序列小目标检测，命名为ATR-ISTD、UAV-ISTD；提出了一种融入记忆池的序列小目标检测网络，有效利用前后帧关联信息，通过查询帧与记忆帧之间的记忆匹配读取内存信息，解决红外小目标检测在高杂波背景下的高虚警和低准确率的问题。针对下采样造成的小目标特征丢失问题，设计了前向语义引导融合模块（pre-semantic guided fusion module，PSGF）来整合不同尺度特征；在记忆向量编码器中设计了伪标签引导的特征增强模块（pseudo label guided feature enhancement module，PLG-FE）来强化小目标的局部特征表达能力。实验结果表明，与当前主流单帧目标检测方法相比，提出的方法在降低虚警率方面取得了显著成效，分别在ATR-ISTD和UAV-ISTD数据集上实现了16.87%和10.49%的改善，在目标级F₁上提高了4.89%和6.54%，在像素级F₁上提高了7.69%和11.63%。