研究了存在残余收发信机硬件损伤（Transceiver Hardware Impairments，THI）情况下的智能反射面（Intelligent Reflecting Surface，IRS）辅助的物理层密钥生成（Physical-layer Key Generation，PKG）系统，推导了密钥生成速率（Key Generation Rate，KGR）的闭合表达式，并在基站发射功率约束和IRS相位偏移单位模约束下，构建了KGR最大化问题。为求解该问题，提出了一种鲁棒优化算法，该算法结合了交替优化（Alternating Optimization，AO）、逐次凸逼近（Successive Convex Approximation，SCA）、半定松弛（Semi-Definite Relaxation，SDR）和惩罚方法，迭代优化发射波束成形和IRS相移。仿真结果表明，所提鲁棒算法能够有效对抗硬件损伤、提升KGR。

针对艺术图像分类任务中存在的样本稀缺、风格多样与纹理复杂等挑战，提出了一种新的自监督学习框架——频域掩码对比（Frequency-Masked Contrast，F-MaCo），以双分支对比学习为基础，通过二维离散小波变换（Discrete Wavelet Transform，DWT）将图像转换到频域，实现动态频域掩码增强。引入感知损失驱动的权重调整机制，有效捕捉艺术图像的多尺度特征和丰富的纹理信息。实验结果表明，F-MaCo在MAMe、Kaokore、Artbench10和ArtDL四个艺术图像数据集上均取得了最优性能，Top-1准确率分别达到73.72%、77.38%、58.38%和68.31%，验证了其在艺术图像表征学习任务中的有效性与鲁棒性。

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。

皮肤癌和黑素细胞痣的相似性较高，极易被皮肤科医师误诊。为提高早期皮肤癌患者的筛查准确度，基于伽马变换（Gamma Transform，GT）算法和小波变换（Wavelet Transform，WT）算法，分别构建伽马变换模块（Gamma Transform Block，GMTB）与小波卷积模块（Wavelet Convolution Block，WTCB），并在Detection Transformer（DETR）架构基础上创新性地提出用于捕捉皮肤癌细粒度特征的空频变换网络（Space-Frequency Transform Network，SFTNet）。包含SFT-Net的皮肤癌筛选系统能够增强样本图像的不同通道，减少模型训练过程中的过拟合效应，进而有效提升疾病检测精度。基于HAM10000数据集的仿真实验结果表明，系统正确率达85.5%，在皮肤癌辅助诊断方面具有重要的临床应用价值。

在当今社会，全球卫星导航系统（Global Navigation Satellite System，GNSS）已成为人们日常出行的重要工具，显著提升了出行效率。但在室内、隧道等弱信号环境中，GNSS因信号强度不足常出现失锁现象，导致定位功能失效，无法提供精准导航服务。为应对这一挑战，提出了一种基于改进扩展卡尔曼滤波（Extended Kalman Filter，EKF）的高精度定位方案。该方案融合了超宽带（Ultra-Wideband，UWB）无线通信技术最小二乘法、KF和EKF技术，并引入多新息EKF（Multi-Innovation EKF，MIEKF）算法，通过综合利用多时刻观测数据和遗忘因子机制，有效减少了定位误差，提升了定位精度。实验结果表明，该方案的均方根误差可降低至0.179 m，验证了其在弱信号环境下的高精度定位能力，为复杂场景下的精准导航提供了可靠的技术支持。

与异色背景相比，同色背景下目标的识别特征较少，更易受到遮挡和复杂背景的干扰导致同色背景下对黄瓜果实的识别检测一直是研究领域的重难点之一。针对该问题，提出了一种基于YOLOv11n的目标检测网络YOLOACG。引入自适应动态下采样（Adaptive Dynamic Downsample，ADown）模块，融合可变形卷积和通道注意力机制，实现跨尺度特征自适应采样；构建Ghost_HGNetV2网络结构，其中高分辨率组卷积（High-resolution Group Stem，HGStem）将输入图像的通道数压缩，生成固有的特征映射，实现高效特征提取，Ghost_HGBlock模块采用知识蒸馏技术增强特征表达能力；引入上下文与空间特征校准网络结构（Context and Spatial Feature Calibration Network，CSFCN），该结构包含上下文特征校准（Context Feature Calibration，CFC）和空间特征校准（Spatial Feature Calibration，SFC），通过聚合每个像素相关的上下文信息，利用校准空间特征，确保网络正确理解图像的空间布局，进而更加精确地区分具有相似颜色的黄瓜果实和背景。经实验验证，改进后模型精确率提高4.64个百分点，召回率提高5.07个百分点，F1提高4.89个百分点，mAP值提高4.48个百分点。消融、对比实验表明，YOLO-ACG在同色背景下黄瓜果实识别中明显减少了误检和漏检的问题，且具有更高的检测精度。

渗水病害监测是大坝安全运行及运维的重点。针对传统大坝观测方法偶然误差大、汛期检测频次无法满足要求等缺点，提出以无人机搭载红外测温相机对坝体表面进行渗水检测。通过红外相机采集坝体表面影像，建立渗水病害区域影像集，将Swin Transformer架构整合到基于区域掩码的卷积神经网络（Mask Region-based Convolutional Neural Network，Mask R-CNN）中，提升该掩码区域检测网络的性能，据此提取渗水区域数据，实现坝体表面渗水区域的快速检测。通过对渗水区域数据二值化处理，统计坝体表面渗水区域面积。以某电站下游坝面为试验对象，结果表明，该方法相比传统大坝观测方法，检测周期缩短80%，渗水区域检测准确率达97%，满足大坝日常观测需求，有效实现大坝渗漏水定量分析。

智能电网中存在大量大功率电气设备及通信传感设备严重阻碍定位系统的信号传输，针对多基站多通信用户干扰的情况下可重构智能超表面（Reconfigurable Intelligent Surface，RIS）辅助的非正交多址接入（Non-Orthogonal Multiple Access，NOMA）通信系统难以准确定位弱信号的问题，考虑智能电网场景下的多小型基站多用户对定位用户的影响，提出以定位用户的水平误差为评估基准，在保证通信用户的服务质量（Quality of Service，QoS）的前提下，联合基站功率、多基站多用户干扰以及功率分配系数，采用拉格朗日对偶方法以及次梯度法处理多用户多小型基站带来的非凸问题。结果表明，资源分配相同的情况下，所考虑的RIS-NOMA智能电网通感系统相比NOMA通感系统可使系统平均定位误差明显降低。