针对复杂铁路场景中轨道线检测易受背景干扰、远尺度特征表达能力不足的问题，本文提出一种融合多尺度特征增强的轨道检测模型。该模型在行锚点检测框架的基础上，引入空洞多尺度融合模块以增强对弯曲与交叉轨道的几何特征捕获能力；同时构建自适应多头掩码注意力机制，结合SimAM无参注意力与DropBlock正则化，有效抑制背景干扰并提升特征判别性。在Rail-DB数据集上的实验结果表明，所提方法检测准确率达到94.53%，较基线模型提升1.73%，在夜间、遮挡等极端场景下亦表现出良好鲁棒性。该方法在保持轻量化的同时兼顾检测精度与泛化能力，为铁路智能安防系统提供了一种可行技术方案。

本文针对荧光引导手术中腔镜复合成像的实时性与融合质量需求，提出一种基于虚拟双相机模式的近红外荧光与白光复合成像技术。通过基于FPGA的光源与相机精确同步控制及视频流硬件解复用架构，结合双模态联合自动曝光调节算法，实现异构图像流的实时分离与双模态图像曝光平衡。实验表明，该系统同步控制精度达帧级 (16.67 ms)，自动曝光收敛时间低于0.8 s，所摄图像结构相似性 (SSIM)为0.9994，峰值信噪比 (PSNR)为46.23 dB。本方案在保持系统小型化、低成本的基础上，实现了接近双相机模式的成像性能，为术中实时影像导航提供了有效支持。

针对玉米病虫害检测任务中复杂背景以及小目标检测场景所存在的检测精度低以及漏检误检的问题，本文提出了一种改进型的YOLOv11模型：MSAF-YOLO。引入类残差反馈路径与通道注意力，设计了异构特征融合模块（heterogeneous feature fusion module，HFFM）模块，实现了跨层特征校准与增强，通过反馈连接将深层语义特征注入浅层特征中，解决了浅层网络语义信息不足，小目标特征在采样中丢失的问题。结合空间自适应权重与多分支空洞卷积，设计了ADRF模块，实现了像素级感受野调节，能够实现动态调整卷积层的感受野大小。解决了传统固定感受野卷积神经网络难以适应不同环境下目标检测的问题。实验结果表明，MSAF-YOLO模型相较于原YOLOv11模型，在降低参数量的同时，mAP50和mAP50:95在自建数据集CORN上分别提升了3.2%和2.7%，在通用数据集diseases上分别提升了3.7%和3.1%，证明了MSAF-YOLO模型的有效性。

红外小目标检测(IRSTD)在预警系统、精确制导等领域具有重要应用价值，但现有方法存在计算开销大、小目标易受背景干扰以及IoU度量方法对小目标定位偏差敏感等问题。针对上述问题，提出一种多尺度特征学习网络MFLNet。首先设计CMABlock特征提取模块，通过线性注意力机制在轻量化前提下强化微弱目标感知，且提升特征判别性；其次设计DMSFHead检测头，通过动态加权融合机制自适应聚合多尺度特征，平衡细节保留与语义增强，提升特征利用率；此外，采用归一化高斯Wasserstein距离(NWD)替代传统IoU度量方法，并设计CIoU-NWD混合损失，降低训练过程中模型对小目标定位偏差的敏感性。选取IRSTD-1k、NUDT-SIRST、NUAA-SIRST三个数据集进行实验，结果表明MFLNet在三个数据集上的精度、召回率与F1分数均优于当前IRSTD的主流SOTA方法，且消融实验验证了本文网络各组件的有效性。本文提出的多尺度特征学习网络MFLNet能有效解决红外小目标检测中的低信杂比、特征利用率低与IoU敏感等问题。

三维车道线检测是自动驾驶领域的关键技术，旨在从二维图像中恢复车道线在三维空间中的几何形态。受三维信息的不确定性与复杂场景下表征歧义的限制，现有基于卷积神经网络的方法常面临特征分辨率与语义聚合之间的权衡：浅层特征具备更强的几何细节保真度，而深层特征语义判别性强但易出现空间量化损失与定位偏移。为此，本文提出一种新型三维车道线检测网络HA-Lane Net：1)设计了一种混合编码器，利用VGG浅层捕获细粒度纹理，结合ResNet深层提取高阶语义，通过通道适配与分级耦合构建均衡的特征层次；2)在输出层上引入投影前通道注意力机制，对车道相关通道进行自适应重标定，以增强跨视角一致性并抑制背景干扰。在Apollo-Sim3D数据集上的实验结果表明，该方法有效缓解了跨尺度与跨视角的不一致性。在不引入Transformer等复杂结构的前提下，HA-Lane Net的性能指标相较于3DLaneNet与Gen-Lane Net均有显著提升。

受水下复杂环境影响，侧扫声纳图像普遍存在强噪声干扰、几何畸变及特征模糊等问题，严重制约了传统检测模型的性能。此外，声纳图像数据集规模有限且标注质量不一，进一步加剧了模型训练的难度。针对上述问题，本文提出一种改进检测模型高效声呐图像 YOLOv8 模型(YOLOv8-efficient sonar image, YOLOv8-ESI)。首先在骨干网络中引入小波卷积层 (WTConv)，以协同增强对图像低频结构信息与高频细节特征的提取能力；然后对颈部网络进行重构，设计了动态特征金字塔网络 (D-GFPN)架构，融合高效动态上采样器 (DySample)和跨阶段局部-双路径轻量聚合网络模块 (CSP-DLAN)，从而有效整合多尺度高层语义与空间细节信息；最后采用WIoU损失函数替代原CIoU，通过抑制低质量样本产生的有害梯度，提升模型训练的鲁棒性。实验结果表明，YOLOv8-ESI 相比原版 YOLOv8n 在侧扫声纳数据集上性能有显著提升，mAP50 提高了 5.2%，参数减少了 10%，计算复杂度降低了 1.1 GFLOPs。本文设计的 YOLOv8-ESI不仅实现了对侧扫声纳图像目标的精确检测，还实现了模型的轻量化设计，适配水下设备的实时检测需求。

为了增强对重点特征的动态感知能力，增强空间和通道间的交互作用，提出空间动态感知的图像分类网络 (spatial dynamic perception image classification network ，SDPNet)。此网络以ResNet-34残差网络为基础，首先引入负值指数抑制模块 (negative exponent suppression，NES)强化对图像空间特征的感知，增强网络对判别性特征的学习能力；然后采用了空间动态感知模块 (spatial dynamic perception，SDP)，将负值指数抑制模块与并行结构的特征旋转 (feature rotation，FR)与动态扩张 (dynamic expansion，DE)相融合，捕捉图像空间对称性，动态选择空间特征中的判别性信息，实现空间特征增强。最后引入了双维度融合残差模块 (dual-dimension fusion residual，DFR)，将SDP模块嵌入到残差块中并将条件卷积嵌入到降维后的残差分支中，动态调整空间和通道的交互作用，优化特征表达，减少网络过拟合，提高网络的泛化能力。在CIFAR-100、CIFAR-10、SVHN、Flowers-102、NWPU-RESISC45数据集上准确率分别达到了80.63%、96.95%、97.66%、90.34%、92.46%，与当前先进的方法相比分别平均提高了3.60%、2.52%、2.09%、7.29%、2.36%，与现有主流网络模型比较，SDPNet能够对原始特征图中重要的空间位置和通道位置进行增强，提高关键特征的贡献度，有效提高神经网络的图像分类能力。

海洋要素剖面立体结构一直是海洋遥感探测的难点，激光雷达具有强穿水、高垂向分辨等技术特点，而海洋激光雷达基于单一回波能量探测无法实现温度、盐度等要素同步测量。针对这一现实需求，文章提出了一种布里渊激光光谱的海洋多要素遥感探测系统。该系统基于激光非弹性散射效应，通过高精度鉴频Fizeau干涉仪与高灵敏探测器PMT阵列为核心光谱探测模块，获得离散的布里渊光谱，通过双参数反演模型求解得到频移和线宽，从而反演海洋温度和盐度参数，经过仿真分析结合实验室测试，系统的测温精度达到1 K，盐度精度达到2 psu。

面向亚毫米波望远镜主反射面面板支撑结构，本文建立了基于旋量理论的柔度矩阵解析模型，推导出圆截面柔性支撑单元及面板支撑系统的位移–力关系。通过有限元计算对解析柔度系数进行对比，误差均小于1.5%。在此基础上，建立兼顾静力学刚度与热力学稳定性的多目标优化模型，以抑制寄生位移和转角为目标，采用NSGA-II算法优化支撑杆几何参数。优化结果显示，重力工况下关键方向(Z向)面形误差RMS由7.6 μm优化至7.0 μm，整体刚度保持良好；20 ℃温升工况下面形误差RMS由8.8 μm降至3.7 μm，热变形抑制效果突出；计算效率较传统有限元迭代方法提升约300倍，实现了静力学刚度与热力学稳定性的高效协同设计。

大规模低地球轨道 (LEO)卫星网络路由技术面临着网络拓扑动态变化导致的路由传输性能不佳、算法模型可扩展性不足等关键挑战。为此，利用改进的消息传递神经网络(MPNN)和深度Q网络 (DQN)，本文提出了一种基于MPNN和DQN的大规模LEO卫星网络路由算法 (MDSR)。其中，改进的MPNN模块提取网络中卫星和星间链路的状态特征，DQN模块基于这些特征实现路由决策。MDSR算法在极轨道大规模LEO卫星网络上训练并测试。结果表明，训练时MDSR模型的收敛速度和初始奖励均优于未改进MPNN模型。测试时MDSR的平均丢包率比其他强化学习算法降低约48%，比Dijkstra最短路径 (DSP)算法降低约35%；平均端到端时延比DSP、Q学习 (Q-learning)、DQN和深度确定性策略性梯度 (DDPG)算法分别降低了约20.5%、7.9%、2.7%和5.4%；平均吞吐量比DSP、Q-learning、DQN和DDPG分别提升了约21.7%、7.6%、5%和1.2%。同时，MDSR无需额外训练即可适应不同星座网络构型，具备较强的拓扑泛化能力。

硅基光电探测器凭借低成本、互补金属氧化物半导体 (complementary metal-oxide-semiconductor, CMOS)工艺兼容性及低暗电流等优势，在集成光电子领域具有重要应用价值。然而，其固有的1.12 eV带隙限制了光响应范围，导致探测截止波长仅为1.1 μm，无法覆盖红外通信窗口。近年来，基于离子注入与超快速退火技术的深能级杂质超掺杂硅材料展现出卓越的亚带隙光吸收性能，为室温硅基红外光电探测器的实现提供了新途径。本文系统综述了超掺杂硅材料的制备工艺，重点分析了硫族元素与过渡金属等深能级杂质在硅中的材料特性及其诱导的亚带隙吸收机制，并总结了基于此类材料制备的光电探测器的性能表现。最后，从二维材料异质集成、界面钝化阻挡层设计、低维超掺杂结构等角度，展望了深能级杂质超掺杂硅室温光电探测器的未来发展趋势与技术路径。

大气窗口中的长红外波段，在红外成像、红外隐身等技术领域拥有重要应用潜力。本文结合多层堆叠构型与嵌入式微结构设计理念，设计了一种适配长红外波段的嵌入式结构宽光谱高效吸收器。该吸收器单元结构以Si₃N₄-Ti-Si₃N₄三层堆叠为基底，并在上层Si₃N₄介质层中嵌入Ti圆柱结构，金属与介质形成的嵌入式复合堆叠结构，可有效拓宽吸收带宽并提升吸收效率。该吸收器在长红外波段表现出优良的吸收性能，在7.92~16.45 μm波长范围内，吸收率稳定保持在90%以上，对应的吸收带宽达到8.53 μm。同时，其兼具宽谱吸收、偏振不敏感及宽角吸收特性，60°斜入射条件下，TM模式与TE模式的平均吸收率分别维持在90%和76%。深入分析表明，该吸收器的宽谱高吸收特性，主要来自局域表面等离激元共振 (LSPR)、腔体共振及传播表面等离激元共振 (PSPR)的协同耦合作用。凭借优异的综合吸收性能，该吸收器在红外成像、红外探测、红外传感等领域具有潜在的应用价值。