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。

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。

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。

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。

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。

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%。

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%。