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。

针对航天地面测控系统难以在研制早期有效实施维修性设计与评价的问题，基于虚拟现实技术构建了维修性设计与评价系统，制定了维修性设计与评价工作流程，给出了维修性设计综合评价标准。在虚拟维修场景中，采用虚拟维修样机和虚拟维修资源，验证了整体流程，并沉浸式仿真验证了某车载测控系统组件维修的可达性、可视性和人体舒适度，实现了虚拟维修性设计的定量综合评价，结果表明本方法较传统方法费用降低68%，工期缩短61%，可为航天地面测控系统在研制早期开展可视化、量化的维修性设计和评价提供参考。

针对经典算法建模海杂波时无法同时满足海杂波多个统计特性所造成的拟合精度缺失以及无法按类别条件可控生成的问题，结合U-Net的生成能力与复值神经网络处理电磁领域内复杂非线性问题的潜力，通过采用各种复值网络层将模型推广至复数域，同时引入无分类器模块，建立一种对输入条件可解释的映射机制，提出了一种复值引导扩散模型（Complex-valued Guided Diffusion Model，CVG-DM）。该模型旨在利用海杂波的同相（In-phase，I）、正交（Quadrature，Q）路复值基带信号以及挖掘海杂波与对应杂波背景下强目标的关联，从而在目标有无条件下实现模型的可控生成，最后在幅度分布、时空相关性、非线性特性、多普勒谱方面评价生成结果。仿真实验证明，CVG-DM可按条件实现海杂波数据增广，仿真杂波能同时兼顾以上五方面统计特性，比基于实数网络的评价指标更加完备，保真度进一步提高。

针对超宽带非视距（Non-Line-of-Sight，NLOS）识别中最优特征子集选取与模型参数优化问题，提出了一种基于轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）的交叉验证递归特征消除算法与Optuna参数调优相结合的NLOS识别方法。首先通过递归特征消除加交叉验证算法分析选取首径信号与总信号接收功率差值、噪声最大值等6个重要特征作为最优特征子集，之后使用Optuna调参框架优化LightGBM模型超参数。采集视距与非视距特征数据，使用支持向量机、极限梯度提升算法和参数优化后的LightGBM等模型进行训练与测试，结果表明，所选取特征具有良好区分性，参数优化后的LightGBM模型识别准确率达95.28%。

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。

针对无人机对于不同尺度的目标识别存在误检和漏检等问题，提出了一种多尺度融合机制的YOLOv8-FDT无人机目标识别算法。首先，在基线模型Neck层中添加动态上采样模块，旨在降低模型参数量，提高模型对于目标识别的实时性。此外，为了使得整个算法模型在特征融合阶段能够捕捉目标的不同尺度语义信息，融合自适应下采样和深度卷积，设计特征聚焦扩散金字塔网络（Feature Diffusion Pyramid Network，FDPN）。通过无人机航拍数据集VisDrone2019的实验表明，改进后模型所有类别平均精度均值（mean Average Precision，mAP）相较基线模型提升6.24%。

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。

针对复杂电磁环境下常规信号分析方法难以解决的多功能雷达信号分选“增批”和“漏批”问题，提出了一种改进的复杂网络社区检测信号分选方法。该方法首先通过有限穿透可视图将信号映射为复杂网络，引入基于密度的空间聚类去除杂散脉冲；然后根据节点的介数中心性改进标签传播算法，提高了社区划分的稳定性；最后利用密度峰值聚类合并子社区，完成分选过程。仿真结果表明，所提方法对多功能雷达信号分选正确率为98.13%；且增加杂散脉冲占比至35%时，分选批数未发生变化，能够有效处理“增批”和“漏批”问题。

宽带侦察场景下，虽然信号检测识别准确率高，但计算资源消耗过大的问题亟待解决。为此，提出了一种基于多尺度卷积注意力的稀疏检测方法（Multi-scale Convolution Attention Sparse Detection，MSCA-S）。该方法结合信号时频图的先验知识，通过建模信号在时间轴上的远距离依赖关系并抑制频率轴的无关干扰，设计了多尺度水平卷积注意力机制（Multi-scale Horizontal Convolution Attention，MSHCA），联合提取信号的多维特征，有效提升检测识别精度，并通过水平卷积降低模型计算复杂度。基于MSHCA，构建了层次化堆叠的宽带信号检测方法，利用稀疏特征参数进一步减少计算资源需求。在频谱范围为2.5 MHz的青岛实采及仿真宽带信号数据集上进行实验，MSCA-S在不同信噪比下的平均检测精度达95.6%，相比频率敏感宽带信号检测方法、基于Swin-Transformer的协议信号识别方法和基于101层残差网络的信号检测方法，精度分别提升了0.05%、2.94%和6.14%，计算量分别降低了1.53×10¹⁰、1.79×10¹⁰和4.59×10¹⁰。