针对协方差特征值算法构造检测统计量时对协方差矩阵信息利用不够充分导致低信噪比下检测性能衰减问题，提出一种特征值之差与调和平均之比频谱感知算法。该算法以协方差矩阵的最大最小特征值与特征值的调和平均构造检测统计量，更全面地利用协方差矩阵中的特征值信息，以提升算法检测性能。同时，该算法基于随机矩阵的特征值极限分布理论引入一种新的调和平均求解方式，旨在提高判决门限精确性的同时进一步提升检测性能。仿真实验表明，改进算法无需主用户及信道的先验信息，在信噪比为-20 dB时，其检测概率较其他几种经典算法有不低于10%的提升。

近年来，轻量化目标检测领域取得了显著进展。然而，现有主流方法缺乏多尺度语义信息的提取，且忽略了深层语义特征与浅层细节特征之间的关系。针对上述缺陷，提出了金字塔池化多尺度增强网络（Pyramid Pooling Enhanced Multi-scale Network，PPMENet），通过设计一个高效金字塔池化模块（Efficient Pyramid Pooling Block，EPPB）来提取多尺度深层语义信息，以加强模型的特征表达能力。另一方面，设计了跨语义交互注意力模块（Cross Semantic Level Interaction Attention Module，CSIAM）以增强不同语义特征之间的联系。MS COCO 2017测试集的实验结果表明，PPMENet取得了28.0%平均精度，模型大小仅有2.16×10⁶，GFLOPs为0.97，并获得了218 frame/s的推理速度。与其他方法相比，PPMENet在精度和执行效率间取得了较好的平衡。

星地通信背景下，P波段信号在穿越大气到达地面阵列的过程中，受到电离层效应的影响，其波达方向（Direction of Arrival，DOA）与极化角均发生改变，因此现有DOA-极化联合估计算法得到的估计值与真实值之间存在误差。为解决此问题，从DOA和极化角两个方面分别进行校正。首先考虑电离层折射效应，建立电离层信号传播模型，以此为基础提出俯仰角误差修正方法。其次针对电离层法拉第旋转（Faraday Rotation，FR）效应，分析法拉第旋转角（Faraday Rotation Angle，FRA）对信号极化的影响，根据地面目标散射过程，提出两种基于散射矩阵的FRA估计方法。通过仿真实验可知，所提方法可以准确计算P波段信号俯仰角修正值与FRA，在一定条件下，将俯仰角估计精度提高约0.1°，FRA估计精度提高近1°，从而实现DOA与极化角的校正。

多维遥测数据模式挖掘对卫星状态监测具有重要意义，但遥测参数多、数据量大，很难在短时间内得到精确解。针对这一问题，提出了一种基于矩阵轮廓的模式挖掘方法，利用随机思想搜索近似解，在误差允许的范围内替代精确解。首先对多维遥测数据进行频谱分析，根据模式特征频率计算得到模板长度。然后按照随机的原则循环使用聚类相似性搜索算法（Mueen's Algorithm for Similarity Search，MASS）计算距离矩阵中的元素，并对主对角线附近的元素进行归零处理，形成多维距离矩阵。最后按列取最小值，生成多维距离矩阵轮廓曲线（Multi-dimensional Distance Matrix Profile，MDMP）。在该曲线上，极大值和极小值分别对应于挖掘出的稀有模式和频繁模式位置。实验分析显示，在处理包含15万个采样点的三维遥测数据时，通过该方法在1%的挖掘程度下获得的近似解与精确解之间的位置误差控制在400个采样点以内。

为解决软件无线电（Software Defined Radio，SDR）中采样后信号混叠问题，提出了一种改进的相位调整滤波算法。依托具备可调时间延迟的二阶射频带通采样前端，设计了一种支持多分点分段滤波的抗混叠滤波器，可以根据实际需求灵活设置多个频率分点，从而实现针对不同频段的精确滤波。通过在MATLAB SIMULINK中进行仿真验证，该方法相比同类方法的滤波器抑制效果更佳，达到38 dB以上，并能有效滤除所需信号而不影响其他信号的完整性，简化了接收前端，具备较强的灵活性和适应性，能够更好地支持未来的通信技术和高密度通信连接。

为了减少在高动态、长积分时间环境下全球卫星导航系统（Global Navigation Satellite System，GNSS）信号检测方法在估计参数时的计算量，提出了适用于高动态环境的低复杂度GNSS捕获方法（Low-computation GNSS Acquisition Method，LGAM），将同步多普勒频率假设检验方法（Synthesized Doppler Frequency Hypothesis Testing，SDHT）应用于具有多普勒变化率和比特翻转的高动态GNSS信号捕获中。首先，通过多普勒粗搜索来实现稀疏多普勒（Sparse Doppler Frequency，SDF）过程，并且基于SDF信号结构，推导了后相关信号模型。然后，为了提高多普勒和多普勒变化率检测效率，提出了基于后相关信号模型的双快速傅里叶变换（Fast Fourier Transform，FFT）参数估计方法。实验结果表明，在高动态环境下，信噪比（Signal-to-Noise Ratio，SNR）高于-43 dB时，基于FFT方法的计算量是LGAM1的15倍，是LGAM2的780倍。

针对传统的天线组阵宽带信号合成性能评估方法存在因宽带、低信噪比（Signal-to-Noise Ratio，SNR）场景下SNR估计算法精度受限致使信号合成性能评估精度低的问题，提出了一种采用功率计算的天线组阵宽带信号合成性能评估方法。该方法首先仿真多路中频信号，施加时间及相位延迟，模拟实际天线接收信号的时延和相位差，并对每路信号加噪，模拟低信噪比环境。然后，利用待评估的天线组阵算法对原始和延迟信号进行同步补偿直至收敛。最后，计算原始信号补偿后的合成功率，与理想信号合成功率作比，得到合成损失。针对该方法进行的仿真实验验证结果表明，在信号带宽250～500 MHz、信噪比-20～0 dB的条件下，该方法相较基于信噪比的宽带信号合成性能评估方法在评估准确性上约有1 dB的提升，在评估稳定性上约有0.1 dB²的提升，且提升效果随信号带宽的降低而更加显著。

车载边缘计算（Vehicular Edge Computing，VEC）将云服务器的计算资源汇聚至更靠近车辆用户的网络边缘，使得车辆将车载计算任务卸载至网络边缘服务器，从而为车辆提供低延迟、高带宽和高可靠性的服务。然而，VEC的高动态网络拓扑、严格的低延迟约束和车载计算任务的海量数据对实现高效任务卸载提出了重大挑战。数字孪生（Digital Twin，DT）驱动的VEC模型能够实时监测VEC网络的状态，有助于在物理世界中做出合理的任务卸载决策。首先介绍了边缘计算、可用车辆以及DT驱动的VEC任务卸载方法的研究进展，然后详细阐述了DT驱动的VEC任务卸载的场景架构，最后探讨了未来DT驱动的VEC任务卸载方法的研究挑战和解决方案，为解决DT驱动的VEC任务卸载问题提供了一定参考。

针对主动声呐在水下环境对目标方位估计受低信噪比影响的问题，提出了一种基于分数阶傅里叶变换（Fractional Fourier Transform，FrFT）改进迭代自适应法的波达方向（Direction of Arrival，DOA）估计多波束声呐成像方法。首先对水听器收到的回波信号进行FrFT，通过FrFT预处理将宽带线性调频（Linear Frequency Modulation，LFM）信号变换为分数域的窄带信号，避免了交叉干扰项的影响；然后在FrFT域对LFM信号进行聚焦并对噪声进行抑制；最后在FrFT域内实现迭代自适应法，同时优化了功率谱估计方法以精确进行DOA估计。所提方法在低信噪比且不增加传感器阵元的情况下，相较于传统的DOA估计方法具有更好的估计精度与更小的均方根误差，可以显著提高成像效果。仿真结果表明，距离向的峰值旁瓣比可达到-13.364 dB，积分旁瓣比可达到-9.723 dB，方位向的峰值旁瓣比可达到-13.874 dB，积分旁瓣比可达到-10.034 dB。

目标检测技术旨在从图像或视频中对特定类别目标进行定位和识别。然而，在低照度场景中面临对比度低、边界模糊、噪声干扰等问题，导致检测算法性能下降。为此，提出了一种基于颜色通道变换增强的目标检测（Color Channel Transformation Enhancement-based Object Detection，C2TEOD）算法。首先，构建了颜色通道变换模块，引入可学习参数对不同颜色通道进行变换，提升增强策略灵活性。然后，通过一个图像增强模块对图像进行预处理，并采用检测损失联合优化增强模块与检测网络，使增强网络能够朝着有利于检测任务的方向优化。此外，提出了选择性自监督回归损失，利用原始低照度图像和增强图像输入检测网络并对其进行优化，再根据它们的检测结果对增强模块进行自监督回归优化，进一步提升检测效果。实验结果显示，该算法相比基线方法在Exdark、M3FD、LLVIP数据集上的平均精度均值（mean Average Precision，mAP）分别提升2.2%、1.1%和0.2%。