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。

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。

当载体（如无人机、船只和车辆等）在极端环境下运动时，可能会出现可见卫星消失的情况，这会导致全球卫星导航系统（Global Navigation Satellite System，GNSS）信号出现短暂或长时间的丢失（失锁）。在这种情况下，融合导航将被迫切换到纯惯性导航系统（Inertial Navigation System，INS），纯惯性导航运行时间的增加会导致误差不断累积，导航精度快速下降。为解决GNSS信号丢失后INS精度快速下降的问题，提出基于变换器（Transformer）网络辅助的GNSS与INS融合导航技术。当GNSS信号锁定时，Transformer网络利用当前的INS信息和GNSS增量信息（2个相邻时刻GNSS位置信息的变化量）来训练出二者的映射关系；当GNSS信号失锁时，Transformer网络利用之前训练出的映射关系，由当前的INS信息预测GNSS增量信息，并将INS信息和预测的GNSS信息进行融合导航。仿真结果表明，基于Transformer网络辅助的GNSS与INS融合导航技术，在GNSS信号短暂或一定时间内失锁的条件下，仍然可以提供稳定可靠的导航信号。此外，Transformer网络辅助的融合导航方法为其他网络辅助的融合提供了参考。

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。

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。

针对当前指挥控制网络关键节点识别方法依赖专家经验知识等问题，基于通信侦察视角，提出基于卷积神经网络的指挥控制节点识别方法。依靠卷积神经网络在特征提取上的强大能力，构建关键节点识别智能范式。利用特征工程，将各节点之间的通联关系信息转化为多维信息矩阵，受有限长单位冲击响应（Finite Impulse Response，FIR）滤波器结构的启发，提出FIRSE（Finite Impulse Response Squeeze and Excitation）神经网络。提出动态峰值检测法改进训练策略，获取最优神经网络参数。实验结果表明，相比基于典型机器学习和深度学习的识别方法，提出的方法具有更高的识别准确性。

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%。

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。

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。