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。

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。

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。

为了实现低时延低能耗的近海通信，将动态服务缓存更新机制引入复杂神经网络当中，基于近海通信场景对复杂的神经网络结构进行巧妙设计，提出了基于双重深度Q网络（Double Deep Q Network，DDQN）的移动边缘动态服务缓存策略（Mobile Edge Dynamic Service Caching Policy，MEDSCP）。该策略先通过用户终端任务卸载决策博弈得到最佳卸载决策集，然后利用移动边缘计算（Mobile Edge Computing，MEC）和动态服务缓存更新来减少近海通信环境下任务执行的时延能耗成本，旨在提高近海通信的任务处理效率并扩展该行业的发展潜力。仿真实验结果表明，所提的MEDSCP策略与现有工作相比，能在保证训练效果的前提下实现算法的快速收敛，还能有效降低近海通信的时延能耗加权和。

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%。

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%。

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%。

为了进一步提高人体动作识别的精度和充分发掘动作序列的时空特征，提出了基于时空特征融合与注意力机制的图卷积动作识别方法。采用空间注意力图卷积对拓扑图进行通道级细化，捕捉不同运动类型下关节的相关性特征，并采用时域多尺度图卷积模块扩展时间卷积结构以捕获多尺度时间特征。构建多层次特征融合模块将初始特征与时域多尺度图卷积输出特征作为模块输入，采用双分支结构分别获取全局和局部通道特征，并在通道维度进行时空特征融合以增强模型特征提取能力；在此基础上，提出一种肢体注意力机制对人体拓扑结构进行划分并分别计算其在通道维度上的注意力权重，加强模型对局部动作特征的关注能力。实验结果表明，在NTU RGB+D数据集的CS和CV评估模式下分别达到了93.0%和96.9%的识别准确率，在NTU RGB+D 120数据集的X-Sub和X-Set评估模式下分别达到了89.8%和91.1%的识别准确率，均高于ST-GCN、CTR-GCN等模型的识别准确率。

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。

为降低室内定位指纹数据库构建的复杂度并提高定位精度，提出了一种5G超密集网络下的基于矩阵补全的室内指纹定位算法。在离线数据库构建阶段，算法首先采用K近邻（K-Nearest Neighbor，KNN）插值法对部分指纹库进行矩阵补全，构建完整的数据库；其次，采用稀疏自编码器提取指纹库的稀疏特征，对高维接收信号强度指示（Received Signal Strength Indication，RSSI）信号进行降维处理。在在线指纹匹配阶段，使用加权KNN算法估算出待定位点坐标。经过实验仿真分析，算法重构指纹数据库的平均相对误差为0.31%；与传统KNN指纹匹配算法相比，平均误差降低了24.41%。