针对遥感图像中存在的背景复杂、目标尺度不一和小目标众多等因素所造成的目标检测精度低的问题，提出了一种改进RTDETR的遥感图像目标检测算法。首先引入轻量化主干网络StarNet，在大幅度降低参数量和计算量的同时提高了网络的特征提取能力。其次在基于注意力的尺度内特征交互模块(attention-based intra-scale feature interaction, AIFI)中引入可变形注意力机制(deformable attention, DAttention)，提高了网络对不同尺度目标的理解能力。最后，在特征融合部分采用加权双向特征金字塔网络(Bi-directional feature pyramid network, BiFPN)提高网络的特征融合能力。实验结果表明，改进算法在DIOR数据集上mAP50和mAP50-95指标分别提升了1.8%和1.7%，同时参数量降低了37.7%。此外，在RSOD数据集上进行泛化分析实验，改进算法mAP50和mAP50-95指标分别提升1.6%和0.5%且参数量降低37.9%。改进后的算法在保证较低计算量和参数量的基础上，提升了检测精度，能够更好地应对复杂背景下的遥感图像目标检测任务。

针对皮肤病变分割任务中因边界模糊、形态多变、毛发遮挡等复杂特征干扰导致病灶区域定位困难，以及现有方法参数量大、计算复杂度高的问题，本文提出一种膨胀门控与自适应桥接的轻量化皮肤病变分割网络。首先，设计膨胀门控感知增强模块，结合差异化膨胀策略、门控注意机制与渐进感知结构，强化病变区域的边界表征与上下文感知。其次，构建自适应特征桥接模块，利用通道-空间双注意机制与跨粒度协同模块实现跨层级通道校准，提升对病灶尺度变化与毛发干扰的鲁棒性。然后，设计轻量初始结构引导模块，融合标准卷积与大核深度可分卷积构建长程依赖，提供高质量特征基元。最后，引入高效通道注意力，利用自适应卷积核缓解上采样过程中的信息损失。在ISIC2016、ISIC2017与ISIC2018数据集上进行验证，平均交并比(mean intersection over union, mIoU)分别达到85.78%、79.81%、80.65%，Dice相似系数(dice similarly coefficient, DSC)分别达到91.90%、88.73%、89.37%，且参数量仅为0.30 M，计算复杂度为0.22 GFLOPs。同当前主流方法相比，本文方法在具备更优分割精度的同时实现了模型的轻量化设计，具有良好的实际部署价值与临床应用前景。

步态信息对下肢康复医疗具有重要意义，因此设计了一款基于光纤光栅(FBG)传感单元的下肢外骨骼监测装置。通过理论推导和仿真分析，验证了外骨骼结构的合理性，揭示了下肢步态参数(步高、步距)影响FBG中心波长变化的规律，并提出了步态节奏的评价指标。对FBG传感单元的12个监测点进行力标定实验，结果表明每个监测点位的平均力灵敏度大于9.9 pm/N。志愿者穿戴好外骨骼装置后进行步态监测实验。实验结果表明，实际步距-步高对比理论模型的误差低于10%。步态节奏为0.9379，这证明了理论模型的合理性，表明光纤光栅下肢外骨骼步态监测装置运动稳定，能够有效监测下肢运动。

针对现有语义分割模型对小目标飞机分割效果不佳和跨域泛化能力弱的问题，本研究提出了一种基于领域自适应的语义分割模型FPN-SE-DA-UNet。该模型引入FPN (feature pyramid network)模块，通过搭建特征金字塔，充分利用多尺度信息，增强模型对小目标飞机的分割能力；同时，引入SE (squeeze-and-excitation)注意力机制模块，增强模型对重要特征的捕捉能力；此外，引入领域自适应方法，将源域与目标域的特征分布进行对齐，显著增强了模型的跨域泛化能力；最后，以FPN-SE-DA-UNet作为教师模型，结合知识蒸馏策略，训练得到了轻量级的学生模型。实验结果表明，在跨域小目标飞机分割任务中，FPN-SE-DA-UNet的IoU (intersection over union)与DICE指标分别达到了0.5229和0.6866，显著优于现有主流语义分割模型。此外，通过知识蒸馏得到的学生模型，IoU、DICE指标分别为0.4557和0.6260，且在NVIDIA GeForce RTX 3090上平均运行速度达到59.5 f/s，较FPN-SE-DA-UNet提升49.1%，能够在实际应用中兼顾准确率与实时性。

针对火焰烟雾检测复杂性高，精度偏低，并且经常会产生漏检误检等问题，提出了轻量化RT-DETR与多尺度特征融合的火焰烟雾检测算法。该方法首先以RT-DETR-r18为基础架构，在主干网络中引入了一种轻量化网络结构EfficientNetV1，降低了模型参数量；接着引入了VoVGSCSP模块，有效减少了特征冗余，并且增强了模型特征提取能力；最后结合双向特征融合金字塔网络BiFPN和ELU激活函数的优点，在BiFPN权重归一化过程中引入ELU激活函数，设计了BiFPN-E结构，提高了模型的跨尺度交互能力，有效提升了模型的检测精度。根据实验结果显示，改进的RT-DETR模型相较于原模型在公开数据集NEWFire和自建数据集E-fire上mAP50分别提高了1.1%和1.8%，mAP50-95分别提高了1.7%和2.2%，参数量下降32%，浮点计算量下降65%。说明改进模型在提高检测精度的同时保持了轻量化要求，满足了在火焰烟雾检测时的精度和效率的实际需求。

在精密刀具表面微尺度缺陷检测中，传统注意力机制多采用单向或串行执行方式，难以全面捕捉刀具表面缺陷多样化的形态及其复杂的纹理演变模式，导致模型泛化能力受限。为解决上述问题，本文提出了一种基于自适应多重并行注意力(adaptive multi-parallel attention, AMPA)的精密刀具缺陷检测模型。首先，构建星通道注意力模块(star-channel attention module, SCAM)，借助星操作(star operations)增强通道间的非线性耦合，提高对关键通道特征的表达能力。其次，设计结合频域与空间信息的频域-空间注意力模块(frequency-spatial attention module, FSAM)，有效捕获图像中的低频、中频和高频特征以及空间结构信息。最后，通过可学习参数动态调整两个模块的融合权重，实现特征的自适应融合，提升检测性能。实验结果表明，将所提方法集成至主流YOLOv11模型后，在自建的精密刀具缺陷数据集上实现了90.2%的mAP0.5，较传统YOLOv11提升2.4%，充分验证了模型在刀具表面微尺度目标缺陷检测中的有效性；同时，在公开的NEU钢材表面缺陷数据集上达到76.1%的mAP0.5，较传统YOLOv11提升1.3%，展示了模型良好的泛化能力。

针对钢材表面缺陷检测中存在的检测精度低、跨尺度适应性差等问题，本文提出一种基于改进RT-DETR的检测模型RMD-DETR。首先，引入轻量级FasterNet作为模型骨干网络，同时对FasterNetBlock中的PConv进行重参数化改进，在保持轻量化的同时增强特征表达能力，降低计算复杂度；其次，设计了动态多尺度特征融合网络(DMSFPN)，结合多尺度卷积块(MSCB)与高效上采样模块(EUCB)，增强跨分辨率特征的语义一致性；最后引入基于变分率降噪的TSSA机制，进一步提出AIFI-TSSA模块，提升复杂背景下的检测稳定性。实验结果表明，在NEU-DET数据集上，改进模型的mAP@0.5达到76.7%，较基准RT-DETR提升了2.6%。在跨尺度检测中，模型漏检率从基准的55.4%降至50.9%，降低了4.5%，同时参数量与计算量分别减少了39.9%和39.3%，帧率(FPS)提升了30.4% (78.9 f/s)，满足工业产线大于30 f/s的实时检测需求。在天池铝型材数据集和GC10-DET数据集上的泛化实验中，mAP@0.5分别提升了2%和3%，验证了模型在工业场景中的高效性与鲁棒性。

针对传统睡眠监测中存在的环境噪声干扰、心跳与呼吸信号分离困难、体动量化不准确等问题，构建了一种全光纤多模态睡眠监测系统。设计了嵌入宏弯单模光纤和双光纤布拉格光栅(fiber Bragg grating, FBG)的柔性监测垫，利用光纤宏弯损耗效应提升心跳感知灵敏度，通过对称式双FBG捕捉体动信号。提出了改进小波阈值函数的降噪算法，引入参数α和β动态调节小波阈值，实现了心肺信号连续可导处理，使系统信噪比达24.02 dB，均方根误差降至0.09。结合带通滤波器与快速傅里叶变换，有效分离出呼吸与心跳信号。基于双FBG波长差变化率构建体动状态判定阈值，实现了翻身次数与状态的准确识别。该系统可实现非侵入式睡眠呼吸率、心率与体动状态的实时监测，为睡眠生理参数监测提供新途径。

本文提出了一种工作于近红外波段的无源反射型多功能偏振转换超表面，其结构单元由顶层带缺口长方体圆环金属结构、中间低折射率的二氧化硅介质层和底层金属反射板组成。采用有限元方法分析了优化结构参数下的x偏振光入射的反射谱，在1520~1720 nm波段，正交偏振转换反射率超过0.8，在910~1520 nm和1720~2500 nm波段，线偏振到右/左旋圆偏振反射率均超过0.8。进一步通过偏振转换率、偏振旋转角和椭偏角分析评估了其偏振转换性能。实验结果表明，该超表面具备超宽带正交偏振转换和线圆偏振转换功能，在近红外通信、传感及光谱分析等领域中具有应用潜力。

针对无人机航拍图像中小目标丰富、目标尺度存在差异以及背景复杂导致检测精度低的问题，本文提出了一种基于YOLOv8n的注意力融合目标检测算法。首先，采用FasterNet架构对骨干网络进行改进，通过部分卷积弥补传统卷积和池化操作中细节信息的丢失，提升小目标的检测能力；其次，引入三元组注意力机制(Triplet)，增强特征图信息捕捉，有效地应对多样本和目标尺度多样性的问题；最后，基于感受野注意力卷积(RFAConv)和卷积块注意力模块(CBAM)，设计了DARFCB结构，强化边缘特征提升模型在复杂环境下的检测精度。在VisDrone2019数据集上的实验结果表明，本文算法相较基准模型，P、R和mAP50值分别提升了4.9%、3.9%和6.1%，有效提高了检测精度。此外，本文算法在WiderPerson和PASCAL VOC数据集上的实验也展示了良好的泛化能力，进一步说明其能够为无人机航拍图像目标检测任务提供有效支持。

光场蕴含着振幅、相位和偏振等多个物理维度，突破传统光电探测的维度极限并快速精准获取更多维度信息，对光学感知具有重要意义，并且在机器视觉、生物医学等领域中展现了极大的应用价值。光学超表面以其优异的光波前多维调控能力，推动光学多维成像架构向小型化和集成化的快速变革。本文提出一种基于单层超表面单次曝光实现光学多维成像的新架构，利用四通道偏振编码超表面对正交圆偏振分量进行空间和偏振复用，实现焦距独立调控的分焦面成像。利用光强传输方程实现正交圆偏振分量的定量相位复原，在单次曝光下同时获取了光场的强度、相位和偏振椭圆度多维信息。将该架构集成到商用显微镜中，实现了液晶微透镜阵列的定量相位复原和小鼠肌腱组织的偏振成像。本文的研究工作在活细胞检测、临床检测和诊断等领域中具有潜在的应用价值。

针对锂电池电芯外观缺陷检测中目标尺寸小、缺陷类型复杂多样，以及实际生产环境下数据采集困难等问题，提出一种基于结构光成像与改进YOLOv8的检测方法，提升检测精度与鲁棒性。首先，在骨干网络中引入CMUNeXt Block，通过大核卷积增强空间信息交互，提升特征提取能力；其次，在颈部网络中设计C2f_RFAConv模块，引入动态参数生成机制，缓解参数共享带来的表达瓶颈，并增强特征传递中的信息保留；最后，改进检测头结构，构建ASFF_F模块，融合自适应空间特征融合策略，重构特征金字塔路径，实现新增微小目标检测分支，强化多尺度细节感知能力。实验结果表明，所提模型平均检测精度达97.98%，准确率和召回率分别为97.05%和92.67%，相较基准模型YOLOv8分别提升了4.29%、1.97%和6.46%。在NEU-DET公开数据集上的扩展实验亦验证了其良好的泛化性能，对比基准模型，平均检测精度提高了0.65%，表明该方法具备较高的工程应用价值。