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。

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。

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。

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。

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。

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。

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。

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。

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。