在交通监控领域，雷视一体机对目标协同感知与跟踪时，对目标定位和测速有较高的跟踪精度要求。因透视成像原理，距离越远的目标对应的图像区域越小，且视觉目标检测框抖动显著。当雷视标定存在适量误差、遮挡或视觉目标框抖动时，远处视觉目标位置信息从图像坐标系映射到雷达坐标系时会存在较大的偏差，从而影响远处多目标跟踪的准确率。特别是多个传感器协同感知和跟踪目标时，进一步增加了目标跟踪的难度。针对上述问题，提出一种基于二阶段匹配和自适应卡尔曼滤波的多传感器多目标协同感知与跟踪方法。该方法在鸟瞰图（Bird's-Eye View，BEV）平面关联前后帧数据之后，增加图像视角（Perspective View，PV）平面的匹配过程，通过提升关联准确率，有效解决跟踪（较远）目标跟踪精度低的问题。基于图像点与距离位置抖动关系模型，提出自适应多传感器多目标跟踪方法，利用图像点与距离关系模型更新卡尔曼滤波器参数，根据目标传感器数据源，自适应选择合适的观测矩阵和测量协方差矩阵，对目标位置速度参数进行估计，有效提高对目标空间位置和速度的实时预测精度，进而提高BEV平面的目标关联准确率。实验结果表明，所提方法相较于未添加二阶段匹配策略且仅使用普通卡尔曼滤波器时多目标跟踪准确率（Multiple Object Tracking Accuracy，MOTA）指标提升16.3%，显著提高了交通场景毫米波雷达和视觉一体机进行目标感知和跟踪的准确率。

自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战，现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此，提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络（Multi-Branch Auxiliary Feature Pyramid Network，MAFPN）优化原颈部结构，增强复杂交通场景中的多尺度特征融合能力；在骨干网络中提出C2f_DEConv模块，将标准卷积替换为细节增强卷积（Detail-Enhanced Convolution，DEConv），通过高频特征保持与局部纹理强化，显著提升对小尺度车辆及遮挡目标的细节捕捉能力；引入PIoUv2（Powerful Intersection over Union version 2）损失函数优化改进边界框损失，通过动态尺度敏感因子与几何约束优化，改善目标边界框的回归精度。在KITTI数据集上的实验表明，DMP-YOLO的各项性能指标都有显著提升，其中mAP@0.5达到89.0%，较基线YOLOv8提升了2.6个百分点，mAP@0.5：0.95提升了2.9个百分点，为自动驾驶场景下的高精度实时检测提供了有效解决方案。

调制识别是无线通信中的关键任务，深度学习方法虽已取得显著进展，但在复杂非合作环境下仍面临泛化能力不足的挑战。特别是，变化的信道条件会模糊结构相似的调制方式（如16QAM与64QAM）之间细微的判别性特征，导致识别性能下降。针对这一调制识别领域的特有挑战，提出特征对齐对抗领域自适应（Feature Alignment and Discrimination Domain Adaptation，FADDA）的无监督对抗领域自适应算法。该方法的核心是在对抗训练的基础上，创新性地引入了基于对比学习的特征对齐损失。对抗训练负责学习域不变特征以适应信道变化，特征对齐损失则通过显式地增强类内特征的紧凑性和类间特征的可分性，从而在根本上提升模型对易混淆调制类型的分辨能力。实验验证表明，该方法在缺乏目标域标签的情况下，能够显著增强模型的跨信道调制识别性能，展现出强大的泛化能力。

针对自动调制识别（Automatic Modulation Recognition，AMR）在实际应用中受限于小样本数据、时频多模态信息融合不充分，进而导致识别准确率较低的问题，对AMR领域现有技术的局限性进行了简要分析，提出了一种融合扩散模型与对比学习机制的跨模态自监督学习框架。该框架通过引入扩散模型，利用其生成能力实现通信信号高质量数据合成与增强，有效缓解小样本数据对模型训练的约束；同时结合跨模态对比学习机制，构建模态间关联学习模块，充分挖掘和利用时频不同模态表示之间的内在关联与互补信息，解决多模态信息融合不充分的痛点，最终基于上述设计构建了“扩散-对比混合网络（Diffusion-Contrastive Hybrid Network，DCHN）”模型。实验结果显示，该模型在RML2016.10a数据集上的识别准确率较其他网络模型有较大提升，具备较好的识别能力。

提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO，旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络，增强背景区分能力；设计ASF-P2优化颈部网络，以提升对低分辨率图像和极小目标的检测能力；研究任务自适应对齐检测头（Task Adaptive Alignment Detection Head，TAADH）替换原有检测头，提升定位和分类性能；同时，融入AFGCAttention注意力机制，提高全局信息处理能力和模型的泛化能力。实验结果表明，与基准模型YOLO11n相比，AGT-YOLO的召回率提高了4.4%，平均精度均值@50（mean Average Precision at IoU=0.5，mAP@50）提高了3.1%，并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。

针对复杂真实场景下甜菜田间杂草识别效率低、精确率低、小目标漏检等问题，提出一种基于YOLOv11模型改进的甜菜田间杂草识别算法。在主干网络引入PoolFormer模块和AKConv模块增强模型对全局语义信息的捕捉能力来提升检测精度，提高了在低分辨率图像和小物体中的检测效果。AKConv模块通过动态调整卷积核参数和形状，提升模型对生长形态不规则的甜菜与杂草的特征提取能力；PoolFormer模块可以很好地将相互遮盖的甜菜与杂草的边缘特征进行分割。在头部网络加入高级筛选-特征融合金字塔网络（High-level Screening Feature Pyramid Network，HS-FPN）模块增强多尺度融合效率，提升幼苗期甜菜与杂草的特征提取效率和速度。通过实验得出，改进YOLOv11模型的精确率、召回率、mAP@0.5、mAP@0.5：0.95相较于改进前分别提升了6.9%、7.8%、7.9%、7.8%。结果表明，在甜菜田间杂草识别上取得了显著的提升效果，为复杂场景中检测甜菜田间杂草提供了一个更可行的解决方案。

北斗卫星导航系统（BeiDou Satellite Navigation System，BDS）接收机具备定位、导航、授时（Positioning，Navigation and Timing，PNT）和报文通信功能，在各行业中得到广泛应用。以北斗二号（BDS-2）区域系统向北斗三号（BDS-3）全球系统平稳过渡为背景，研究其对导航接收机服务性能影响及应对措施。通过对比BDS-2与BDS-3系统在信号类型、信号体制、星座规模和服务性能等方面的差异，阐述BDS平稳过渡的具体表现形式和状态变化趋势。重点分析BDS平稳过渡对导航接收机报文通信、导航定位、抗压制干扰等服务性能产生的影响。仿真结果表明，BDS-2接收机（PRN01～37）在平稳过渡期间，RDSS报文通信服务仍可正常使用；随着BDS-2卫星的陆续退役，空间可用卫星数将逐渐由33颗减少到18颗，全球范围内平均可见卫星数由11.62颗减少至6.31颗，平均几何精度因子（Geometric Dilution Precision，GDOP）值由2.00增加至3.15，服务连续可用性由93%降低到46.46%，定位精度和服务范围均受到影响；BDS-3卫星实施功率增强时，导航接收机可获得7～15 dB的抗压制干扰能力提升。针对导航接收机不同应用场景分别给出减弱或消除影响的应对措施，使导航接收机在BDS平稳过渡期间能够持续为用户提供可靠服务。研究成果可为北斗导航接收机的设计、研制和应用提供参考。

北斗三号全球卫星导航系统（Global Beidou Navigation Satellite System，BDS-3）目前可提供6个频率的数据，为多频相位模糊度固定（Multi-frequency Carrier Ambiguity Resolution，MCAR）提供了更多选择。针对BDS-3，深入研究了MCAR中无几何无电离层（Geometry and Ionosphere Free，GIF）模型基本方法，主要包括三频GIF模型在模糊度固定中的应用。从三频线性组合理论出发，给出了三频下的基本数学模型。系统探讨了在六频中任选3个频率的20种组合可能下，GIF模型固定模糊度的最优频率组合以及各自的最优线性组合。此外，还分析了利用GIF模型单历元模糊度固定的高质量线性组合。利用实测BDS-3六频观测数据进行了试验，通过理论分析和实际论证，结果表明，采用GIF模型固定模糊度时，最优频率组合为（B1C，B3I，B2a）；在该方法中，若2个已固定的超宽巷/宽巷（Extra Wide Lane /Wide Lane，EWL/WL）组合的系数之和为0，则第3个窄巷（Narrow Lane，NL）组合模糊度的标准差理论上仅与频率相关。然而，受非模型化误差等影响，实际结果与理论可能存在偏差。GIF模型能有效消除电离层延迟影响，且不受几何相关（Geometry Based，GB）误差影响，基于GIF模型的模糊度固定在电离层活跃和中长基线场景下具有良好的潜力。

随着人工智能等技术的发展，多智能体如无人机群等的实际应用领域逐渐广泛。多智能体深度确定性策略（Multi-Agent Deep Deterministic Policy Gradient，MADDPG）算法旨在解决多智能体在协作环境中的协同配合问题，凭借其独特的Actor-Critic架构已成为多智能体领域主流的应用算法之一。针对指挥决策中多智能体协同任务存在的角色分工模糊、信息过载导致的算法策略收敛较慢等问题，提出了一种引入动态角色注意力（Dynamic Role Attention，DRA）机制的改进MADDPG算法——DRA-MADDPG。该算法在Actor-Critic架构中嵌入了DRA模块，通过动态调整智能体对不同角色同伴的关注权重，来实现分工协作的精准优化。具体而言，定义了指挥任务的角色集合与阶段划分，进而构建角色协同矩阵和阶段调整系数；在Critic网络中设计DRA模块，依托角色相关性与任务阶段来计算权重并筛选关键信息；改进了Actor网络，结合角色职责生成针对性的动作。仿真实验表明，与MADDPG相比，DRA-MADDPG的训练累积回报曲线下面积（Area Under the Curve，AUC）提升了2.4%，任务完成耗时降低了19.3%，且通过训练回报曲线对比分析可知，DRA-MADDPG对于短期训练拥有更好的学习效率。证明了该方法适用于复杂指挥决策场景，为多智能体协同提供了一种相对高效的解决方案。

为满足半/全双工通信系统需求，提出一种基于磁-电偶极子的双频全向双圆极化多输入多输出（Multiple Input Multiple Output，MIMO）天线。该天线由4个相同天线单元对称分布形成2×2 MIMO阵，每一天线单元由圆形平面波导腔、4个折叠偶极子、8个寄生偶极子组成。在圆形平面波导上蚀刻扇形缝和采用短路柱可在弧形开口侧形成磁偶极子，其辐射电场与电偶极子产生的电场正交。当磁偶极子与电偶极子产生90°空间距离相位时，能在水平360°方向辐射左旋或右旋圆极化波。结果表明，该天线在低频段（2.42～2.47 GHz）能产生全向的右旋圆极化波，而在高频段（5.76～5.85 GHz）能产生全向的左旋圆极化波，轴比（Axial Ratio，AR）低于3 dB，水平面增益波动分别低于2.1 dB和7.3 dB。此外，所提MIMO天线通过相互对称布阵，在低频段和高频段的隔离度分别低于-30 dB和-50 dB。

针对无线电监测系统的低频覆盖不足与天线尺寸问题，基于改进型的偶极子结构提出一种小型化超宽带接收天线。设计采用曲流技术弯折偶极子双臂（尺寸38.6 mm×134.1 mm×0.8 mm），结合对称寄生单元与挖孔结构优化电流分布，实现带宽扩展。CST仿真与实测结果表明，天线在0.7～0.96 GHz及1.3～5.3 GHz频段S₁₁＜-6 dB，覆盖GSM、DCS-1800、WLAN、WiMAX及5G NR n77/n78/n79等标准；2.2 GHz和4.4 GHz辐射效率分别达96.42%和95.63%，5G Sub-6 GHz平均效率85.4%±6.8%；3.3～5.0 GHz最大增益达（4.23±0.54）dBi，较传统偶极子提升1.8 dBi。该设计通过结构创新解决了低频段覆盖与小型化矛盾，适用于多制式通信监测场景。

针对传统测控领域接收与发射天线相互独立的问题，提出了一款双频双圆极化对称阵子天线组件。采用对称阵子天线实现双频工作特性，利用3 dB电桥实现双圆极化辐射特性，并在天线下方层叠式放置双工器实现接收频段与发射频段的高隔离度。基于此设计思路，在仿真分析的基础上加工天线样机并测试，结果表明所设计天线工作频带可覆盖1.75～1.85 GHz与2.2～2.4 GHz，且在该频段内轴比均小于3 dB，接收通道与发射通道间的抑制均达到70 dB以上。为实际工程中收发共用天线单元提供了可行性的设计方案。

针对宽毫米波频段的高功率合成应用，设计了一种基于脊间隙波导（Ridge Gap Waveguide，RGW）的宽带径向功率合成器。该合成器由2层金属板组成，下层金属板中心处采用同轴线进行馈电，能量经由上方多个金属圆台反射进入到各个径向传输线实现功率等分。径向传输线采用RGW结构，即在金属脊两侧的金属底板上布有销钉型电磁带隙（Electromagnetic Band-Gap，EBG）结构，可以减小各通道间的相互耦合，且无需对上下金属板进行焊接。仿真结果表明，该合成器工作频率为14.7～37.5 GHz，反射系数小于-15 dB，传输系数约为-6.1 dB。测试结果与仿真结果吻合良好。

视觉-语言-行动（Vision-Language-Action，VLA）模型是实现通用具身人工智能的核心技术，旨在在统一的端到端框架内融合视觉感知、语言理解与动作决策。对VLA模型的研究现状与发展脉络进行了全面而系统的梳理。追溯了VLA模型的理论起源，阐明了其从分离式模块向统一架构演进的范式变迁。针对VLA的演进路线，以多模态融合与认知分层为重点阐述了SpatialVLA、TLA与GR00T N1等工作。构建了一个详尽的VLA模型分类体系，从宏观架构和系统分层2个核心维度，深入剖析了从RT-1等开创性工作到引入大规模知识迁移的RT-2、OpenVLA、ECOT等工作，再到双系统架构的Helix、OpenHelix、DexVLA、DexGraspVLA等前沿模型的关键技术与设计思想。系统性地整合与评述了支撑VLA研究的主流仿真环境、核心数据集与基准，并探讨了其在机器人操作、自主导航、工业自动化等领域的应用现状与前景。深入剖析了当前VLA研究在泛化性与数据效率、长时程任务规划、实时响应速度等方面面临的核心挑战，并对融合世界模型、提升数据效率等未来研究方向进行了展望。

皮肤病变发病率上升，使皮肤癌早期筛查变得尤为关键。皮肤病变图像分割任务在通道信息建模、结构适应性及特征融合方面存在不足，易导致病变边界识别不准确和关键上下文信息利用不充分。针对这些问题，提出一种基于注意力机制与小波变换的皮肤病图像分割方法——AW-SkinNet。该方法通过双分支协同注意力提取空间与通道依赖特征，结合小波变换增强频域表征，并利用轻量注意力引导的子像素上采样提升细节恢复与上下文理解。在ISIC-2017和ISIC-2018皮肤病变分割数据集上的实验表明，所提方法相较于现有皮肤病变图像分割方法实现了更高的分割精度。

针对预警机等远程目标的跟踪定位问题，提出了一种无人机与被动雷达协同组网的高精度无源定位策略。通过分析多站无源雷达布站方式对定位精度的影响，设计了一种能够提升定位精度并降低布站成本的策略。利用时差定位法（Time Difference of Arrival，TDOA），并基于此对多机几何精度因子（Geometric Dilution of Precision，GDOP）进行分析，评估了布站形式对定位精度的影响。提出在目标初始方位不明时，先采用星型布站进行初定位，再切换至倒三角型布站进行高精度二次定位的协同策略，并通过“虚拟结构法”选取最优副站，结合改进粒子群（Particle Swarm Optimization，PSO）算法优化无人机飞行航迹，实现高精度布站。仿真结果表明，该策略能够显著提升定位精度，相较于传统无源雷达系统，定位误差明显减小，系统响应速度更快，研究成果在实践中具有一定的应用价值。

探究了脑机接口（Brain-Computer Interface，BCI）和人机融合技术在无人机操控及反制设备使用领域的应用价值，分析了该技术面临的问题，并提出了针对性的解决策略，以推动其在低空经济发展及安全保卫中的合理应用。通过分析BCI技术在提升无人机操控效率、增加反制设备使用精准度等方面的作用，结合其为低空经济发展型塑的新应用场景和创造的低空安全保卫新形态，梳理该技术面临的人机融合技术自身缺陷、信息安全风险及其对低空安全造成的影响等问题，进而提出应对策略。BCI技术在无人机操控和反制设备使用领域作用显著，能够提升无人机操控效率、增加反制设备使用的精准度，基于该技术与人机融合技术为低空经济发展型塑了新的应用场景，创造了低空安全保卫的新形态。

针对复杂电磁环境下的无人系统信息稳定传输问题，提出了基于通信质量评估的无人系统信息弹性适配方法。选取通信链路层信号强度、误码率、信噪比作为通信质量评估特征参数；使用长短时记忆网络（Long Short-Term Memory，LSTM）模型作为信号预测模型，预测下一时刻信号参数；使用支持向量回归（Support Vector Regression，SVR）模型作为通信质量回归模型，得到当前时刻的通信质量；基于通信质量等级评估模型得到通信质量评估结果；根据通信质量等级传输对应层级内容。实采数据仿真及实飞试验表明，所提方法可以实现高实时、强对抗电磁环境下的无人系统信息稳定传输。

针对高压输电线路在线监控与数字化运维对通信技术的需求，以及现有光纤、4G/5G等通信手段在复杂环境适应性、覆盖完整性、成本控制等方面的不足，分析了高压输电线路现有通信手段的特点和需求，提出了一种高可靠宽带超多跳无线自组网通信系统解决方案，攻克了多跳无线传输后的业务服务质量（Quality of Service，QoS）急剧下降的技术难题，构建了宽带超多跳安全无线自组网通信系统，实现了具有QoS保证的远距离宽带业务传输服务。通过OMNeT++仿真平台、9节点室外地面测试与国网天津220 kV滨幸一线实地投运，对所构建超多跳无线自组网通信系统进行仿真与测试。仿真与测试结果显示，系统可实现50跳宽带无线数据传输，端到端流量不低于2 Mb/s，相较于传统技术路线，该系统技术适应性更强、运维成本更低，提升了电网的数字化运维水平，可为新型电力系统通信网络建设提供可靠的解决方案。

针对卫星任务需求决策中多模态数据融合不足、动态约束优化复杂等问题，设计了智能化决策模型，增强了自动化能力与决策精度。提出基于检索增强生成（Retrieval-Augmented Generation，RAG）的卫星任务需求决策优化模型：① 采用输入层接收用户需求文本及地理坐标等多模态数据；② 在处理层集成Transformer架构大语言模型（Large Language Model，LLM）与向量数据库，实现语义检索与知识增强；③ 约束验证模块生成可行方案；④ 基于反馈层动态更新知识库。实验验证表明，所提模型决策准确率达90%，较传统规则系统（Rule-Based Expert System，RBES）与机器学习模型（Machine Learning Model，MLM）绝对精度分别提升20%与9.8%。所提模型显著增强了卫星任务决策的适应性，有效解决了动态约束下的资源优化配置问题，具有工程应用潜力。