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。

在动态干扰环境下的卫星通信系统中，各信道的质量和干扰功率存在差异。有限的频谱资源和复杂的干扰环境对抗干扰通信决策提出了资源分配和业务需求的挑战，即如何在避开干扰频率和优化功率的同时，实现资源的高效利用。为解决这一问题，提出了一种基于多奖励值函数的深度强化学习抗干扰算法。该算法将发送方、接收方与干扰方之间的交互建模为马尔可夫决策过程。通过优化信道切换与功率切换代价的奖励函数，引入频率切换与功率切换机制，分析相邻时隙频谱中的干扰特征，并将交互过程中采集到的干扰信号特征与信道信息结合，用于训练抗干扰策略。该策略实现了频率域与功率域的联合抗干扰决策。仿真结果表明，该算法能够有效降低系统的受干扰概率，加快算法收敛速度，并优化功率资源的利用效率。

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%。

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。

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%。

深度学习（Deep Learning，DL）是实现自动调制识别（Automatic Modulation Identification，AMI）技术的有效方法，但通常难以同时兼顾识别精度和效率。为此，提出了一种增强多尺度特征融合的轻量化AMI方法。首先，设计了轻量化的多尺度特征融合模块，通过跨尺度卷积结构高效提取调制信号的多尺度特征，以增强模型对不同信号特征的表征能力；其次，构建了自适应特征增强模块，结合深度可分离卷积与注意机制，能够自适应地学习关键特征的通道权重，突出重要信号特征的同时减少无关特征的干扰；最后，设计了差异平衡分类器，通过聚焦细微调制模式的识别，从而实现高效分类。实验结果表明，所提方法在识别精度上平均提高了5.91%，参数量减少约8.5×10⁵，单次迭代时间缩短0.0624 s，与对比的先进模型相比具备更高的精度、更快的速度和更少的参数量。

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。

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。