不同于室外，室内空间因其复杂的电磁环境，导致利用无线信号进行目标定位变得更为复杂。以菲涅尔传播模型为基础，研究了Wi-Fi信号在富多径环境下的传播规律。针对由于硬件产生的信道状态信息相位偏移，提出基于最小二乘回归分析的校正方法，利用频谱分析方法消除环境信号的干扰；利用多组信号链路对目标的位置进行估计，并将估计结果与基准位置进行匹配，实现对目标运动路径的重构。实验结果表明，该方法的理论基础符合定位目标的实际运动习惯，在不需要进行数据训练的情况下取得了11 cm左右的定位误差，在这一误差之下可以有效识别左右相邻或者前后相近的不同目标，避免误判的发生。与现有的基于深度学习的方法相比，在训练数据较少的情况下定位误差降低了50.4%，在训练数据较多的情况下定位误差降低了5%。

针对医学图像标注数据稀缺以及模型在分割多尺度目标时效果不佳的问题，提出一种基于多尺度特征融合和对比学习的小样本医学图像分割方法。首先，提出一种顺序拼接的多尺度跳跃连接方法替代传统的跳跃连接，有效地融合编码器中不同尺度的特征图并传递给相应的解码器。其次，鉴于模型的双分支结构，提出一种基于多尺度特征的对比学习模块，设计对比学习损失函数，提高模型对像素级特征的可分辨能力。实验结果表明，所提方法实现了医学图像的跨域数据分割，解决了因数据集稀缺造成的分割效果差的问题，提高模型对不同尺度目标的分割准确率和泛化能力，优于当今主流的小样本医学图像分割方法。

研究基于观测器的序列缩放攻击下线性多智能体系统的二分一致性。首先，考虑到序列缩放攻击的攻击程度未知，设计了观测器来估计智能体的真实状态，以减少对误差系统稳定性的影响。其次，攻击信号被注入到整个网络的所有控制器到执行器的通道中，针对线性多智能体系统，提出基于观测器估计状态的分布式控制器，可以有效避免使用系统本身的信息。最后，利用Lyapunov函数证明受序列缩放攻击的线性多智能体系统在所设计的控制器下可以实现二分一致性，通过数值仿真验证理论结果的有效性。

近年来，多层网络在图像去模糊领域取得了较大进展，但其性能受限于特征提取和残差连接。为解决这些问题，提出了一种多尺度融合网络（Multi-Scale Feature Extraction and Fusion Network，MSFN）用于图像去模糊，通过多尺度输入与输出，增强了对图像特征的提取能力。MSFN利用其特征自适应细节增强（Adaptive Detail Enhancement，ADE）模块和跨尺度特征融合（Cross-Scale Feature Fusion，CSFF）模块，在不同网络深度上捕获不同尺度的特征，优化了特征提取过程，并有效融合了多尺度信息。实验结果表明，所提出的算法在定量分析上表现出色，并且在主观视觉效果上也得到了显著提升，这些结果充分证明了所提网络的卓越性能。

考虑的隐蔽通信系统采用可重构智能表面（Reconfigurable Intelligent Surface，RIS）和非正交多址接入（Non-Orthogonal Multiple Access，NOMA）技术，并在公共用户处采用全双工收发机引入友好干扰带来的不确定性提高隐蔽性。提出隐蔽性能优化方案，推导得到非法监测者检测错误概率和有效隐蔽传输速率的闭式表达式，通过联合优化隐蔽信息传输概率和友好干扰噪声发射功率范围最大化系统隐蔽性能，采用逐一优化方法得到系统参数的联合最优设计。数值仿真结果表明，所提方案能够实现信息的隐蔽传输，同时优化变量的最优解，可以作为实际场景中参数设计的指导依据。

移动边缘计算（Mobile Edge Computing，MEC）与智能超表面（Reconfigurable Intelligent Surface，RIS）是未来无线通信领域中两种极具发展前景的技术，分别致力于提升通信系统的计算能力与优化信道传输性能。考虑一种多用户非正交多址接入（Non-Orthogonal Multiple Access，NOMA）-MEC网络的任务时延最小化问题，并通过部署RIS改善通信系统性能，其中多个用户可以通过同一频段同时卸载任务。由于优化问题非凸，且需联合优化RIS相移、卸载功率、波束成型和分配因子，很难直接求解建立的优化问题。为了进一步求解优化问题，利用半正定松弛（Semidefinite Relaxation，SDR）算法优化RIS的相移，采用逐次凸逼近（Successive Convex Approximation，SCA）算法求解功率和分配因子，同时采用最小均方误差（Minimum Mean Square Error，MMSE）准则设计均衡器，并进一步利用交替优化使其时延最小。

可重构折射面（Reconfigurable Refractive Surface，RRS）是一种能在复杂环境中优化信号路径和增强定向传播的前瞻性技术，非正交多址接入（Non-Orthogonal Multiple Access，NOMA）则是解决下一代蜂窝通信高频谱效率和高容量需求的使能技术。研究了基于RRS辅助的下行NOMA系统和速率最大化问题，其中RRS位于基站的近场。通过交替优化功率分配和RRS的相移矩阵以最大化系统的和速率。利用拉格朗日对偶分解法优化功率分配，并提出了一种依次旋转相移（Phase Shift Rotation in Turn，PSRT）方法来优化RRS的相移矩阵。仿真结果表明，RRS辅助NOMA系统的和速率高于RRS辅助的正交多址（Orthogonal Multiple Access，OMA）系统、NOMA系统和OMA系统。

现有基于联邦学习架构的分布式异常检测难以兼顾异常检测性能与数据隐私保护。为此，提出了一种基于自适应噪声与混合注意力机制的联邦学习异常检测模型。该模型以卷积神经网络为基础，通过融合空间与多头的混合注意力机制对复杂特征进行多维度、深层次提取，实现高精度的异常检测。其次，基于本地和中心化差分隐私，通过自适应噪声添加与隐私预算分配，进一步提高了模型的隐私性和鲁棒性。基于公开数据集NSL-KDD及UNSW-NB15对模型进行了实验验证。实验结果表明，与现有主流方案相比，该模型能够在保证用户数据隐私性的同时，实现更高质量的异常检测。

针对无蜂窝系统中通信链路易受环境影响、终端接入设备受限的问题，引入智能反射面（Reconfigurable Intelligent Surface，RIS）和速率分割多址（Rate Splitting Multiple Access，RSMA）技术辅助通信，提出了一种基于RIS辅助的RSMA无蜂窝上行通信系统和速率优化算法，通过联合优化RIS的无源波束形成、接入点选择、子消息功率分配和解码顺序，以实现系统和速率最大化。由于该优化问题为非凸的离散非线性规划，考虑将其解耦成多个子问题进行交替优化，首先采用基于信道增益的以用户为中心的匹配算法获取最优匹配方案，接着采用连续凸近似（Successive Convex Approximation，SCA）算法解决子消息的功率分配问题，通过黎曼共轭梯度法优化RIS的无源波束形成，然后提出一种基于信道增益以及用户子消息分配比例的解码顺序算法。仿真结果表明，与传统算法相比，所提算法具有更优的和速率。

针对有源全连接架构的可重构智能表面（Reconfigurable Intelligent Surface，RIS）功耗较高且存在反馈型自干扰的问题，提出了一种准确优化的子连接架构，利用多个RIS元件共享功率放大器，并结合分数规划和交替方向乘子法等方法进行波束成形设计，减少功率放大器数量并降低功耗，同时引入自干扰抑制机制，并利用序列无约束极小化技术求解，改善了系统的稳定性和信号质量。仿真结果表明，该子连接有源RIS相较于全连接架构能够在牺牲6.7%～7.4%的总速率情况下实现25.0%～33.3%的能量效率提升，同时在能效方面比现有子连接架构也有11.1%～14.2%的提高，并在自干扰抑制方面表现优异，显著减轻了反馈型自干扰的影响，进一步验证了该架构在节能和抗干扰能力方面的优越性。