在未来6G物联网（Internet of Things，IoT）系统中，高频毫米波和太赫兹频谱等关键技术的广泛应用，使近场无线传输成为愈发普遍的应用场景。动态超表面天线（Dynamic Metasurface Antenna，DMA）等小尺寸天线阵列在传输效率、物理尺寸和功耗方面具备优势，在该场景中被广泛应用，相关研究的关注度日益提升。为提升近场无线传输中接收端的能量性能，提出一种基于DMA的下行近场无线数能同传（Simultaneous Wireless Information and Power Transfer，SWIPT）系统，在满足所有信息用户最低传输速率需求的条件下，针对该优化问题提出联合优化DMA可调频响矩阵与数字预编码向量的高效解决方案。此外，深入探讨了用户间距离及最小信干噪比（Signal to Interference plus Noise Ratio，SINR）等因素对于系统性能的影响。仿真结果表明，提出的方案相比其他现有技术能有效提升SWIPT联合性能。

针对飞行自组网（Flying Ad Hoc Network，FANET）在通信空白场景下存在的高时延问题，提出了一种深度强化学习（Deep Reinforcement Learning，DRL）辅助的双跳信息增强路由协议（Double-Hop Information Enhanced Routing Protocol，DHRP）。为了实现有效的路由决策，采用马尔可夫决策过程（Markov Decision Process，MDP）对路由行为进行建模，在状态空间设计中结合了节点位置信息与链路信道容量，并综合考虑了双跳范围内的网络信息，以深度值网络为核心，在融合实时网络状态动态调整机制的奖励函数引导下，做出最优下一跳路由决策。实验结果表明，在通信空白场景下，DHRP相较于现有的路由方案，显著降低了FANET的平均端到端时延。此外，在不同节点规模和网络拥塞条件下，DHRP均表现出优越的适应性和鲁棒性，通过对动态网络环境的实时感知与智能决策机制，有效保障了整体网络性能。

提出一种基于可同时透射和反射的有源可重构智能表面（Active Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface，ASTAR-RIS）辅助的无线供能通信网络（Wireless Powered Communication Network，WPCN）。通信网络主要由采集供电站（Power Station，PS）、传感器节点组（Sensor Node Groups，SNGs）、ASTAR-RIS和接入点（Access Point，AP）4个部分组成。通信系统的运行流程主要分为无线能量传输（Wireless Energy Transfer，WET）和无线信息传输（Wireless Information Transfer，WIT）2个阶段，在无线能量传输阶段采用能量分裂（Energy Splitting，ES）工作模式，在无线信息传输阶段采用分时（Time Switching，TS）工作模式。在联合优化ASTAR-RIS的相移参数和通信资源分配以及放大功率约束的情况下，最大化系统的信噪比，即系统的通信性能达到最佳。由于优化问题是非凸的，采用交替优化算法对问题进行求解，根据耦合的变量将问题分为2个部分，在交替优化算法的基础之上，利用半定松弛（Semidefinite Relaxation，SDR）和分式规划（Fractional Programming，FP）分别求解2个部分的变量的最优解。实验结果表明，提出的通信方案可以为系统提供更高的性能增益。

多输入多输出（Multiple Input Multiple Output，MIMO）技术通过多天线系统显著提升信号传输速率和系统可靠性。为提高频谱效率和抗干扰能力，空间调制技术作为MIMO的扩展被提出并得到广泛应用。广义空间调制（Generalized Spatial Modulation，GSM）进一步结合多种调制方式，提升系统性能。极化码作为高效的纠错码，通过信道极化将物理信道转化为具有不同可靠性的虚拟信道，有效提高MIMO和空间调制系统的性能。提出一种联合多用户的极化码译码方案，旨在优化在上行极化码广义空间调制（Polar Coded-GSM，PC-GSM）系统中的译码过程。该方案结合了极化码的信道极化特性和GSM的优势，通过改进译码算法，提升了多用户系统的可靠性和数据传输速率。仿真结果表明，所提出的联合译码方案能够显著提高系统性能，为极化码与多用户空间调制系统的结合提供新的解决思路。

物联网（Internet of Things，IoT）作为6G发展的核心领域之一，在驱动网络架构变革以及支撑核心应用场景中扮演着关键角色，然而，IoT系统存在能量不均衡以及网络生命周期短暂等问题，严重制约了数据收集效率的提升。随着无人机（Unmanned Aerial Vehicle，UAV）技术的兴起，其高度机动性可以有效构建视距（Line of Sight，LOS）通信链路，进而提升通信速率，这在IoT系统的数据收集方面具有很好的应用价值，可以解决IoT网络因生命周期短暂导致的数据收集效率低下的问题。为此，利用UAV对地面IoT设备进行数据收集，构建空地协同的数据采集传输链路，提出了一种基于深度强化学习（Deep Reinforcement Learning，DRL）的智能数据收集方法，设计了一种预测神经网络，通过在基站（Base Station，BS）侧预测网络数据进一步提高数据收集效率，从而实现降低IoT设备能耗、延长网络寿命的目的。仿真结果表明，所提数据收集算法在设备所需能耗、能量均衡性等方面具有较好的性能优势，优于常见的数据收集算法。同时，所提数据收集网络架构在预测数据占比12.5%时可以延长1.2倍的网络寿命。仿真证明了设计的预测神经网络在均方误差（Mean Squared Error，MSE）以及平均绝对误差（Mean Absolute Error，MAE）指标均优于其他对比网络。

重点人员轨迹预测对于预防潜在犯罪行为、优化应急响应及情报分析具有重要作用，公安部门应用该项技术能够维护社会稳定、提高城市管理效率、促进经济发展。现有技术面临动态环境适应、忽视社交影响范围、周围移动对象影响量化等挑战，基于此提出一种新型融合时空查询的基于目的地意图学习的重点人员长期轨迹区域预测模型。针对移动对象轨迹时空特征难以捕获的问题，提出一种基于时空多注意力（Spatio-Temporal Multiple Attention，STMA）机制的重点人员轨迹预测模型，通过时间注意力模块和空间注意力模块分别捕捉时间依赖关系和空间交互关系，提高模型对行为特征变化的敏感性；针对社交影响力难以量化的问题，构建社会力函数模拟行人社交影响力，通过虚拟轮廓构建方法和社会力函数，准确模拟动态行为并提高影响力捕捉效率。实验基于真实世界交通数据集进行，结果表明：与当前先进的轨迹预测算法相比，STMA在长短期预测方面均展现出更高的准确率和可靠性，在长期预测方面，其平均准确率为54.3%，比代表性算法Sophie、行人轨迹图表示的时空卷积网络（Social Spatio Temporal Graph Convolutional Neural Network，S-STGCNN）和条件生成神经系统（Conditional Generative Neural System，CGNS）分别高29.3%、13.4%和36.8%。

针对宽带近场超大规模多输入多输出（Extremely-Large Scale Multiple Input Multiple Output，XL-MIMO）系统场景中波束分裂效应引发的信道估计精度下降问题，提出一种双向融合多子载波增强型双线性模式检测（Bi-Directional Integrated Multi-Subcarrier Augmented Bilinear Pattern Detection，BDI-MSABPD）算法。该算法基于极坐标域稀疏表征框架，通过显式极坐标域分辨率增强与隐式多子载波联合优化的双重机制，解决了波束分裂导致的稀疏支撑集失准和参数估计偏差问题。仿真结果表明，所提算法相较传统双线性模式检测（Bilinear Pattern Detection，BPD）算法，归一化均方误差（Normalized Mean Squared Error，NMSE）平均降低了2 dB。

智能交通系统的迅猛发展催生了对实时性与高可靠计算服务的迫切需求，进而推动了车载边缘计算向更具动态性和灵活性的协同计算架构演进。多层空基网络突破了传统地面基础设施在覆盖范围与服务连续性方面的固有局限，正逐步成为支撑车载边缘计算的重要补充与发展方向。为此，构建了一种融合高空平台（High Altitude Platform，HAP）与无人机（Unmanned Aerial Vehicle，UAV）的多层空基边缘计算架构，协同为车联网（Internet of Vehicles，IoV）中的移动车辆提供高效计算支持。针对车辆移动引发的频繁空中小区切换问题，创新性地引入切换感知机制，预测车辆在UAV覆盖下的小区切换时间窗，在车辆与UAV能耗限制下，联合优化系统的带宽分配、计算资源分配与任务卸载决策，以最小化任务总时延，同时规避切换中断风险。为应对混合整数非线性规划（Mixed Integer Nonlinear Programming，MINLP）问题的高计算复杂度，设计了一种3步迭代求解算法，将原问题分解为带宽分配、计算资源分配和卸载决策优化子问题，采用CVX工具、线性松弛与交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）求解。仿真结果表明，相比于基线方案，所提算法在任务大小为5～9 Mb时，任务总时延分别降低了11.9%、23.3%和25.5%。

随着物联网技术的蓬勃发展，大量终端设备广泛部署，海量终端设备能量补充难题以及频谱拥挤状况愈发突出。这些问题不仅限制了物联网的进一步发展，还对现有网络基础设施提出了严峻考验。低功耗物联网作为应对这些问题的关键技术，受到了广泛关注。基于此，对低功耗物联网进行了研究。对低功耗物联网进行概述，包括其原理及多种低功耗通信技术；在现有研究成果的基础上，分析了低功耗物联网的主要传输架构；针对物联网中复杂的通信环境，给出了不同传播环境下低功耗物联网的通信架构；讨论了现有低功耗物联网的典型应用场景，展现其在多个领域的潜在价值；对低功耗物联网的未来研究趋势进行展望。

现有关键点检测算法在光照变化、人员密集交叉遮挡等情况下，易导致检测精度降低、漏检或关键点检测错位的问题。针对该问题，提出基于YOLOv8n-Pose改进的LBW-YOLOv8n-Pose复杂环境多人人体姿态估计算法。通过在特征提取主干网络的快速空间金字塔池化（Spatial Pyramid Pooling-Fast，SPPF）层引入大核可分离注意力（Large Separable Kernel Attention，LSKA），增强图像特征表达能力和感知能力。在颈部网络引入加权双向特征金字塔网络（Bidirectional Feature Pyramid Network，BiFPN）进行重构，提高多尺度特征融合效果，并采用改进的Wise-IoU损失函数，提升模型收敛速度与复杂场景下的鲁棒性。实验结果表明，改进后模型在MS-COCO2017人体关键点数据集上精确率、召回率、平均精度值分别达到85.7%、76.8%、81.7%，相比原模型均有明显提升，且能更精准、有效地检测复杂情况下多人人体关键点信息。