纳米生物传感器以及太赫兹技术的发展能够满足肺部医学数据高速可靠地传输到远程医疗机构的要求，因此体内太赫兹纳米传感器网络在远程肺部健康监测方面有着巨大的应用前景.考虑到纳米节点能量有限且肺部数据传输对时延要求高的问题，提出了一种低时延低能耗（Low Delay Low Energy consumption，LDLE）的拓扑模型.该模型以最小化网络总时延和能耗为目标，将拓扑设计问题转化为混合整数非线性规划模型的求解问题并求解出最优目标.研究表明，网状拓扑结构具有较低网络时延、较高吞吐量以及较长的网络生存期，能满足肺部太赫兹纳米传感器网络的低能耗和低时延的要求.
针对传统串行聚类集成算法在处理高维海量数据时效率低下的问题，提出基于Spark的并行聚类集成算法SCEA（Spark based Clustering Ensemble Algorithm）.首先，通过主成分分析与成对约束结合的方法对算法输入数据进行预处理，达到数据降维并去除特征相关性的目的；其次，通过调用不同聚类算法获得基聚类成员后，采用三元组方法通过基聚类成员的簇标签构造出相似度矩阵，并调用层次聚类算法得到最终的聚类结果；最后，在调用MLlib中已有聚类算法的基础上，基于Scala对SCEA算法进行了实现.将SCEA与同类算法在多组数据集下进行对比测试，实验结果表明：总体上SCEA不仅较已有算法在准确率方面有所提高，并且通过分析运行时间、加速比以及可扩展性3个性能指标，证明了SCEA在算法性能上的优越性.
冲击噪声环境下的测向算法大多基于分数低阶统计量，其不仅计算复杂度较高，而且对强冲击噪声的适应性也较差.通过对冲击噪声的分布特性进行研究和分析，利用其冲击成分出现概率相对较低且具有随机性的特点，提出了基于中值滤波的测向新方法，并推导了冲击噪声背景测向的克拉美罗界.首先，引入中值滤波方法对阵列接收数据进行平滑处理，滤除冲击噪声，并提出了针对强冲击噪声的改进方法，然后利用传统的二阶矩方法求阵列接收数据协方差矩阵并进行波达方向（Direction Of Arrival，DOA）估计.理论分析和仿真验证结果表明：所提方法处理过程简单，对低信噪比和强冲击噪声情况下的测向性能有很大的改善和提高.
围绕无线传感器网络（Wireless Sensor Network，WSN）在直达（Line-Of-Sight，LOS）与非直达（Non-Line-Of-Sight，NLOS）混合传播环境中目标无源定位精度提高问题，提出基于弧边凸包的残差检测（Residual Test based on Arc-edged Convex hull，RTAC）算法.RTAC算法利用各个传感器的测距残差分布特点，在极坐标系构建反映残差点分布的偏移圆模型，并利用最小弧边凸包对传感器分组与识别，实现对网络中全部LOS传感器的识别.仿真结果表明，RTAC算法能够在低计算复杂度下实现对LOS传感器的正确识别，且具有更优异的目标定位性能.RTAC算法是适用于混合传播环境中LOS传感器识别的高效算法.
