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。

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。

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。

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。

在动态干扰环境下的卫星通信系统中，各信道的质量和干扰功率存在差异。有限的频谱资源和复杂的干扰环境对抗干扰通信决策提出了资源分配和业务需求的挑战，即如何在避开干扰频率和优化功率的同时，实现资源的高效利用。为解决这一问题，提出了一种基于多奖励值函数的深度强化学习抗干扰算法。该算法将发送方、接收方与干扰方之间的交互建模为马尔可夫决策过程。通过优化信道切换与功率切换代价的奖励函数，引入频率切换与功率切换机制，分析相邻时隙频谱中的干扰特征，并将交互过程中采集到的干扰信号特征与信道信息结合，用于训练抗干扰策略。该策略实现了频率域与功率域的联合抗干扰决策。仿真结果表明，该算法能够有效降低系统的受干扰概率，加快算法收敛速度，并优化功率资源的利用效率。

广播式自动相关空空监视（Automatic Dependent Surveillance-Broadcast IN，ADS-B IN）应用能够在飞行活动中为飞行员提供诸多便利，而安全性是实现ADS-B IN应用优势的前提。针对ADS-B IN应用在实际飞行活动中可能存在的安全性问题，引入了一种基于Bow-tie模型的安全评估方法。该方法通过对预设危险进行分析，得出危险发生的最大可接受概率，进而推导出为实现这一概率所需的ADS-B设备失效率或通信数据链路完整性等安全要求。在对该方法进行阐述的基础上，给出了一个具体实施案例，对该方法做进一步说明。

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像易受环境噪声影响，导致目标处信噪比降低的问题，提出了将奇异值分解（Singular Value Decomposition，SVD）和最小熵反褶积（Minimum Entropy Deconvolution，MED）结合并用于改进后向投影（Back-Projection，BP）的方法。首先，将实测采集的回波信号进行奇异值分解得到奇异值矩阵，只保留前5个奇异值后重构回波信号矩阵实现初步降噪。然后再将信号进行最小熵反褶积滤波处理，通过利用信号不断迭代更新滤波器的系数最小化信号的熵，以使输出信号的峰度最小化从而实现噪声抑制。再利用零相位滤波器（Zero-Phase Filter，ZPF）对信号进行滤波恢复信号的相位延迟。最后，利用后向投影算法得到SAR图像。实验结果证明，该方法使得大小两个角反射器的信噪比分别提升了7.9 dB和9.1 dB，显著提高了SAR图像中目标处的信噪比。

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%。

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。

深度学习（Deep Learning，DL）是实现自动调制识别（Automatic Modulation Identification，AMI）技术的有效方法，但通常难以同时兼顾识别精度和效率。为此，提出了一种增强多尺度特征融合的轻量化AMI方法。首先，设计了轻量化的多尺度特征融合模块，通过跨尺度卷积结构高效提取调制信号的多尺度特征，以增强模型对不同信号特征的表征能力；其次，构建了自适应特征增强模块，结合深度可分离卷积与注意机制，能够自适应地学习关键特征的通道权重，突出重要信号特征的同时减少无关特征的干扰；最后，设计了差异平衡分类器，通过聚焦细微调制模式的识别，从而实现高效分类。实验结果表明，所提方法在识别精度上平均提高了5.91%，参数量减少约8.5×10⁵，单次迭代时间缩短0.0624 s，与对比的先进模型相比具备更高的精度、更快的速度和更少的参数量。