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%。

针对辐射源分类任务存在的特征信息表达有限和分类精度低等问题，提出了一种基于多分辨率特征融合的辐射源个体识别方法。该方法利用短时傅里叶变换3种不同分辨率的时频域谱图表达辐射源个体特征。使用ResNext50构建多通道卷积神经网络，提取不同时频分辨率的特征。在网络中引入多通道特征加权融合机制，对不同通道的特征进行加权融合，组合不同分辨率下的特征信息。实验证明，这种方法提升了辐射源信号的细微指纹信息表达能力，相比特征层融合方法和单一特征表达方法两种方法，识别准确率分别提升2.15%和6.8%。

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。

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%。

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。

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%。

针对同一距离多人生命体征检测和呼吸高次谐波干扰下心跳信号提取的问题，提出了一种基于数字波束合成和正交投影滤波器（Orthogonal Projection Filter，OPF）的算法。雷达测得多路基带信号后，首先进行数字波束合成，通过在空间上生成多个指向受试者的波束，得到多人的生命体征信号；接着利用OPF将获得的生命体征信号投影到各自呼吸高次谐波的零空间上，实现呼吸高次谐波干扰去除、心跳信号的实时获取。多人实验结果表明，所提算法能够成功分离多人的生命体征信号检测和心跳信号提取，心跳频率估计的准确率高达99.68%。