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。

针对现有深度学习调制识别算法在复杂信号环境下的鲁棒性和泛化能力不足的问题，提出了一种基于相位参数估计和空间重建的多通道网络（Phase Estimation and Spatial Reconstruction-based Attention Mechanism Multi-channel Network，PET-SAMCL）。首先，将输入的同相正交信号（In-phase Quadrature，IQ）通过相位参数估计转换，分成3个模块分别提取IQ的幅度-相位特征、IQ合路以及分路特征。在特征提取模块中加入空间重建单元（Spatial Reconstruction Unit，SRU），减少冗余特征的影响。利用全局平均池化和软注意力操作对空间特征进行提炼与融合，通过门控循环单元（Gated Recurrent Unit，GRU）及双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）提取时间和空间特征。通过消融实验确定了最优模型结构。该模型在RML2016.10a数据集上表现优异，在14 dB时达到了93.9%的最高识别准确率，平均识别率相较其他模型最大提高了7.7%。

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。

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。

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。

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。