针对低信噪比条件下，复杂多类雷达辐射源信号识别存在特征提取困难，识别正确率低的问题，本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征；然后进行时频图像预处理以保留时频图像完备信息，适应深度学习模型输入；最后构建扩张残差网络以自动提取信号时频图像特征，实现雷达辐射源信号分类识别.实验结果表明，信噪比为-6dB时，该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%，对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法，具有较好的工程应用前景.
相较于图像分析，如何分析时序信息是动作识别中的一个主要问题.大多数先前的方法，如3D卷积网络、双流卷积网络，仅使用包含全局时域信息的特征作为视频的表征，忽略了局部时序特征的重要性.考虑到这样的问题，本文提出一种基于时序交互感知模块的长短时序关注网络——Long and Short Sequence Concerned Networks（LSCN），融合不同的时序信息，利用不同卷积层时序特征的交互加强对不同时序长度的动作实例的表示，兼顾长短动作实例对时序信息的需求.实验结果表明，基于3D ResNext101的LSCN在两个公共数据集（UCF101和HMDB51）上，相较于基础的网络分别有0.4%和2.9%的准确率提升.
约束二维有限脉冲响应（Finite Impulse Response，FIR）滤波器，现有设计算法计算复杂度高.针对二维FIR滤波器的约束最小二乘设计，本文应用交替方向乘子法（Alternating Direction Method of Multipliers，ADMM），研究其并行优化方法.通过模型的最大分划，并采用一种松弛技术，提出一个具有高度并行结构的最大分划松弛ADMM算法，分析了算法的计算复杂度，讨论了算法的收敛性，并给出了算法的参数设置方法.实验表明，最大分划松弛ADMM比非松弛的最大分划ADMM收敛快很多；与现有算法相比，提高了计算效率.GPU加速实验中获得的大加速比，表明了所提算法的高度并行性和可扩展性，在图像处理、计算机视觉、模式识别及机器学习等领域有广阔的应用前景.
基于大气湍流非相干散射理论，采用泰勒方法对湍流谱函数进行近似，推导获得了对流层散射传输损耗与大气折射率结构常数的关系，即L-C模型；开展了对流层散射传播试验，基于WRF（Weather Research and Forecasting）数值模式对试验期间大气折射率结构常数进行预报；基于预报的大气折射率结构常数数据应用L-C模型预测对流层散射传输损耗，并与试验测试损耗值进行对比研究.结果表明，应用L-C模型预测的损耗值与实测值变化趋势吻合较好，均方根误差不超过6dB，并且传输损耗与大气折射率结构常数间的相关系数均大于0.7，表明了对流层散射传输损耗与大气折射率结构常数之间较强的相关性.这种对流层散射与大气折射率结构常数之间的相关性对于对流层散射传输的机理和建模研究都有重要意义.
