联邦学习能够促进多方参与者之间的数据共享和协同计算，其已经成为一种流行的分布式机器学习范式.联邦学习目前的研究主要集中在性能提升和隐私保护方面.近年来，随着可信人工智能研究的深入，可信联邦学习的研究也受到越来越多的关注.其中，保证联邦学习的公平性是面临的关键问题之一.提升联邦学习的公平性能够保证客户端参与的积极性和联邦学习训练的可持续性.然而，由于联邦学习中通常存在着数据异构性和设备异构性，传统的联邦学习方法会导致客户端之间具有很大的差异，无法保证所有参与者之间的公平，这会极大地影响用户参与联邦学习的动力.基于此，对近年来联邦学习公平性的研究方法进行全面归纳梳理与深度探讨分析.首先对当前联邦学习公平性研究的主要方向进行划分，并对每个方向的公平性定义与评价标准进行了解释及对比.随后详细探讨了联邦学习公平性不同方向面临的挑战和主要解决方案.最后对联邦学习公平性研究中常用的数据集、实验场景设置和公平评价指标进行了归纳梳理，并对未来研究方向与发展趋势进行探讨和展望.

相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点，提高目标检测的准确度和鲁棒性.然而，由于环境复杂性以及多模态数据间固有的差异性，3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架，有效缓解融合时不同模态数据之间的语义差异；提出ABFF（Adaptive Bird-eye-view Features Fusion）模块，增强算法对小目标特征感知能力；通过体素级全局融合信息指导网格级局部融合，提出基于Transformer的多模态网格特征编码器，充分提取3D检测场景中更丰富的上下文信息，并提升算法运行效率.在KITTI标准数据集上的实验结果表明，提出的3D目标检测算法平均检测精度达78.79%，具有更好的3D目标检测性能.

可视图是将时间序列转换成复杂网络的重要方法之一，也是连接非线性信号分析和复杂网络之间的全新视角，在经济金融、生物医学、工业工程等领域均应用广泛.可视图的拓扑结构继承了原始时间序列的重要性质，稳定且易于实现，通过可视图网络的相关统计特性，可区分特定时间序列数据下的特定行为.首先本文介绍了可视图方法在时间序列复杂网络分析中的相关研究，并通过必要性与可行性分析，充分说明可视图方法的优势所在.然后本文阐述了经典可视图和水平可视图方法的具体步骤及主要性质，从算法的过程改进、效率提升和可视图应用几个方面对现阶段可视图相关研究进行综述，介绍了众多可视图方法的基本过程，分析了可视图算法的识别抗噪能力和建网效率，并归纳整理了这些可视图方法的主要特性与适用范围.另外，本文复现了目前几种主流可视图算法，并公开相关的算法代码以供参考使用.通过对可视图相关研究的综述分析，可了解现阶段可视图的主要研究方向，为未来相关研究提供思路，并为时间序列复杂网络分析奠定基础.

小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务，小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难，还有小目标检测基准，即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测，本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集，并从相对尺度和绝对尺度（目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根）对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外，从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时，在6个数据集上对典型评估指标（评估指标+目标定义、评估指标+单目标类别）下的代表性小目标检测算法进行性能的深入分析与比较，并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员，进一步促进小目标检测的发展.

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法下的重要学术工作进行了实验对比，并对各算法在不同规模数据集上的性能和适应性进行了分析.另外，本文探讨了主动学习图像分类技术所面临的挑战，并指出了未来研究的方向.

地球表面有约71%的面积被江河湖海等水体覆盖，陆地上的成像也会受到云雪雨雾等水体影响，但是，当前常见的机器视觉科研工作和应用系统基本只围绕空气和真空介质中的视觉任务展开，涉及不同形态水体的视觉工作没有得到系统的研究.涉水视觉（water-related vision）作为涉水光学技术在视觉领域的具象化体现，重点研究光与水的物质相互作用及跨介质传播过程中，涉水视觉影像信号智能处理与分析方面的科学问题，以及先进智能涉水视觉装备研制方面的工程技术问题.本文从“为什么大海是蓝色的？”这一具有普适意义的问题出发，系统介绍了水对光的吸收、散射、衰减作用机理，对涉水视觉任务造成的影响，以及现有的涉水图像处理与解析方法.本文基于水体光学特性及成像退化机理，介绍了团队在探索涉水成像和图像解析等涉水视觉关键技术及装备方面的成果，先后研制了全海深超高清相机“海瞳”、全海深3D相机、全海深高清摄像机等，形成了从色彩、强度、偏振、光谱等全方位、体系化的水下观测解析装备研制能力，填补了我国全海深光学视觉技术的空白，推动了我国涉水视觉领域技术的升级，应用价值和社会效益显著.

智能超表面（Reconfigurable Intelligent Surface，RIS）作为第六代（Sixth Generation，6G）移动通信中的潜在关键技术之一，具有低成本、低能耗和易于部署等特点.通过给电磁单元上的可调元件施加控制信号，可以实现对入射信号的幅度、相位、极化等调控，从而构造智能化的通信环境，为终端高能效无线通信提供了契机.本文首先基于无人机通信技术发展现状，阐明了将RIS技术引入无人机通信系统的必要性；然后，分析了RIS使能无人机高能效通信信道的传输机理，归纳了信道建模关键技术；最后针对RIS使能无人机高能效通信信道建模，总结和展望了未来的技术挑战与研究方向.

时间序列具有非线性和不稳定性等特点，当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战，其预测精度无法保证.基于此，本文提出一种基于全局最优的麻雀搜索算法（Globally Optimal Sparrow Search Algorithm，GOSSA）和隐马尔可夫模型（Hidden Markov Model， HMM）相融合的时间序列预测模型（GOSSA-HMM）.根据隐马尔可夫模型在模式识别和分类上的优势，对原始数据做差值处理并划分类别属性，以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练，以解决参数训练过程中存在的收敛速度慢，对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段，利用改进之后的隐马尔可夫模型测算每段序列走势的概率，从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析，结果表明与当前主要时间序列预测算法相比，GOSSA-HMM训练的参数较少，计算成本较低，具有更好的预测精度和泛化能力.

人工智能隐私保护的应用场景多种多样.在不同的场景中，完成隐私保护计算的实体可信程度和数量不尽相同.这些实体的可信程度和数量对隐私保护计算方法能否实际应用具有重要影响.本文从实体的可信程度和数量出发，将基于密码技术的人工智能隐私保护计算方法归类为4种计算模型，分别是多中心模型、双中心模型、单中心模型和现实模型.除现实模型外，其它计算模型都存在可信实体.对每一种计算模型，本文给出当前基于密码学工具给出的人工智能隐私保护方法涉及的典型计算和采取的典型算法，并指出提升算法的效率和安全性是对每种计算模型都适用的研究方向.

针对环境监测领域边缘设备资源不平衡、通信延迟以及模型质量不高的问题，本文提出一种基于边缘计算的环境监测自适应联邦学习算法.该算法旨在利用边缘设备进行数据处理，并根据各个设备的资源限制调整全局模型的聚合频率，以更好地适应不同的监测环境.通过考虑边缘设备之间的资源差异，算法采用了动态优化迭代频率的策略，以提升模型的训练效果.与传统的固定迭代频率相比，该算法的调整策略更加灵活，能够更好地适应不同的数据分布和参与方特征.通过大量实验评估，并利用与同类算法CNN-FL（Convolutional Neural Networks-Federated Learning），FedAvg（Federated Averaging）和HFEL（Hierarchical Federated Edge Learning）的比较，本文提出的算法在算法性能和经济成本方面具有显著优势，这种算法为环境监测提供了一种高效、安全和可扩展的数据分析和模型建立方法，有助于推动环境监测能力的提升.

在机载通信领域，迫切需要一种具有垂直极化全向辐射模式的低剖面小型化天线，尤其是在甚高频（Very High Frequency，VHF）频段和特高频（Ultra High Frequency，UHF）频段的低频段.针对这一需求，本文提出了一种有着低剖面、电小尺寸的圆柱腔天线.通过在圆柱腔内部引入短路柱和导电柱分别激励起TM₀₁和TM₀₂模，能够获得良好的垂直极化全向辐射模式.引入锥形套筒在改善输入阻抗的同时，有效降低TM₀₁和TM₀₂模的谐振频率，使两个模式的谐振频率工作在目标频段.另外，设计了4个状态的宽带匹配网络来进一步改善天线的阻抗匹配.本文提出的圆柱腔天线尺寸为 \mathrm{\pi } \times ( \mathrm{0.11} {\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}} {)}^{\mathrm{2}} \times \mathrm{0.045} {\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}（ {\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}是最低频率处的自由空间波长）.仿真和实测结果之间有着良好的一致性.实测结果表明，本文提出的圆柱腔天线在低频段和高频段分别获得了47.3%（105~170 MHz）和52.3%（207~355 MHz）的阻抗带宽（ ），并在宽频带内获得了稳定的垂直极化全向辐射模式.

对地理信息的准确掌握是城市中各种智能决策得以实现的基础.传统地理信息收集主要靠人工测绘、人工巡检或固定传感器感知，设备、人力成本高昂.近年来，随着移动互联网的发展，泛在的移动群体在城市中产生了海量的时空数据，他们有意或无意间成为城市的传感器，使研究人员有机会利用众包的思路基于此类数据推测城市地理信息.基于众包时空数据推测城市地理信息具有成本低、空间覆盖广、更新及时等优点.但其具有严重的数据质量问题，对城市地理信息推测带来了巨大挑战.本文综述了根据轨迹、基于位置的社交网络、街景等众包时空数据，推测城市中以路段、兴趣点、兴趣面为代表的地理实体的位置和属性的方法.本文给出了众包时空数据和地理实体的定义，详细比较了众包时空数据驱动的推测方法与传统方法的优劣，说明了研究问题和挑战，然后讨论了地图匹配、名称提取、位置发现和统计属性推测四个研究问题的研究进展，最后展望了该领域未来的研究方向.

本文提出了一种具有超低特征导通电阻的沟槽栅横向双扩散场效应晶体管（Trench Gate Lateral Double-diffused MOSFET，TG-LDMOS）.本结构源极和漏极都在表面，与BCD（Bipolar CMOS DMOS）工艺相兼容.通过引入介质沟槽、垂直栅极、栅极下方的源极多晶硅以及栅极右侧的厚氧化层，将传统集成型功率器件的一维耐压拓宽为二维耐压，包括横向耐压与纵向耐压两个方向.其中，纵向耐压不占用横向元胞尺寸，进而在相同耐压水平上，使TG-LDMOS具有分立功率器件耐压效率高、导通电阻低的特点.本结构通过仿真优化做到了击穿电压（V _B）为52 V，特征导通电阻（R _on，sp）为10 mΩ·mm².结果表明，TG-LDMOS突破了硅器件的极限关系，与硅极限相比特征导通电阻降低了48%.

随着移动终端尤其是工业互联网技术的快速发展，终端设备密集分布，无线带宽有限，经常导致业务过程中的集中式云资源调度，难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心，边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本，但在边缘计算环境下，异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势，本文提出了一种基于联盟链的可靠边缘计算任务卸载方法.该方法利用联盟链进行身份校验和卸载结果反馈，以任务的完成时间、卸载成本与资源可靠度作为评价标准，设计了一种基于遗传算法的卸载策略，支持卸载决策时任务卸载的可靠性评估.实验结果表明，本文方法能在满足时延约束的前提下提高任务卸载的可靠性，为移动智能应用提供了一种有效的数据安全保障方法.

本文综述了基于人工微结构的太赫兹超表面透镜的最新研究进展，通过仿真分析了人工微结构单元与太赫兹波的相互作用，阐述了共振相位、几何相位和传输相位3种主要的相位调控机理及相应的相位调制效果.根据透镜相位的空间分布规律，通过合理的人工微结构布局实现对入射太赫兹波波前的调控，从而实现太赫兹超表面透镜的聚焦和成像功能.太赫兹超表面透镜具有设计灵活、厚度超薄、功能多样等诸多优势，在太赫兹波无损检测、高速通信和公共安全等领域具有广阔的应用前景.本文根据太赫兹波聚焦效率这一重要技术指标，介绍了基于单层结构、多层结构、全介质结构以及可调谐太赫兹超表面透镜的研究成果，并对太赫兹超表面透镜的未来发展前景进行了展望.

随着网络空间重要性日益增强，其涵盖范畴也在不断延展.除了传统互联网支持全球网络空间互联互通之外，还存在不同形式的有限域网络，例如空间卫星网络、工业互联网、数据中心网络等. 这些有限域网络具有多样化的终端类型、接入方式、拓扑结构和业务场景，而传统互联网体系结构所采用的协议、传输格式和转发方式无法满足这些异构网络高效的互联互通发展需求.因此，实现互联网、空间卫星网络、工业互联网、高性能数据中心网络等异构网络的一体化融合是势在必行的发展趋势.本文针对一体化融合网络所面临的规模可扩展性和实时性两大挑战，采用演进创新的研究思路，设计了一种分域自治、可扩展的一体化融合网络体系结构，实现了域间协同和域内自治的大规模可扩展的架构，并通过富语义的层间接口支撑差异化业务跨域传输的服务质量需求.

近年来，面向动态场景的多曝光图像融合技术取得重大进展.其中，基于深度学习的方法在视觉效果和运算效率上都远超传统算法，成为高动态范围成像技术的主流.然而，现有基于深度学习的融合方法都以有监督学习的方式实现，过度依赖真值图像，难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络，主要贡献包括：设计自监督的动态多曝光融合网络框架，探索高动态范围图像与低动态范围图像序列的内在关联；提出基于注意力机制的全局去伪影模块，使用全局文本模块减少动态融合产生的运动伪影，增强图像细节；提出融合重建模块，通过残差和稠密连接实现多层次特征之间的信息流动；设计运动掩膜引导的自监督损失函数，用于网络的高效训练.实验表明，与现有方法相比，本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好，运算效率显著提升.

针对传统单斜式模数转换器（Analogue-to-Digital Conversion，ADC）和串行两步式ADC在面向大面阵CMOS图像传感器读出过程中的速度瓶颈问题，本文提出了一种用于高速CMOS图像传感器的全并行两步式ADC设计方法，该ADC设计方法基于时间共享和时间压缩思想，将细量化时间提前到粗量化时间段内，解决了传统方法的时间冗余问题；同时针对两步式结构在采样过程中的电荷注入和时钟馈通问题，提出了一种基于误差同步存储技术的误差校正方法，消除了采样电路非理想因素对ADC性能的影响.本文基于55 nm 1P4M CMOS工艺对所提方法完成了详细电路设计和全面测试验证，在模拟电压为3.3 V，数字电压为1.2 V，时钟频率为250 MHz，输入信号为1.472 V的设计条件下，本文设计实现的13 bit ADC转换时间为512 ns，DNL（Differential NonLinearity）为 + \mathrm{0.8} / - \mathrm{0.8} \mathrm{L} \mathrm{S} \mathrm{B}，INL（Integral NonLinearity）为 + \mathrm{2.1} / - \mathrm{3.5} \mathrm{L} \mathrm{S} \mathrm{B}.信噪失真比（Signal to Noise and Distortion Ratio，SNDR）达到70 dB，有效位数为11.33 bit，列级功耗为47 μW.相比现有的先进ADC，本文提出的方法在保证低功耗、高精度的同时，使ADC转换速率提高了74.4%以上，为高速高精度CMOS图像传感器的读出与量化提供了一定的理论支撑.

随着大数据时代的到来和人类对人脑系统研究的日渐深入，类脑计算领域的研究取得突破性进展，有希望在根源上打破传统计算机的性能瓶颈.神经突触是对人体脑部进行记忆能力训练和处理数据的重要基础单元，因此开发新材料、新结构，研究基于新型人造材料与光电子器件的神经突触可塑性，对神经形态器件研究和类脑硬件设计的实现都有着重要意义.本文首先指出目前“冯·诺依曼架构”的主要性能瓶颈，引出类脑计算的概念，提出神经形态器件的主要性能优势，并梳理神经形态器件发展历史；然后在忆阻器领域，阐述与分析忆阻类型、忆阻结构与忆阻机理，比较出几种忆阻器的特性，举例说明忆阻器在不同领域的应用；接着以神经形态器件为基础，选取磁性隧道结、新型浮栅管和铁电晶体管，介绍其结构、工作原理与应用；最后总结目前神经形态器件发展的成果和方向，并对行业发展前景进行预测.

利用低空间分辨率高光谱（Low Resolution HyperSpectral Image，LR-HSI）和高空间分辨率多光谱图像（High Resolution MultiSpectral Image，HR-MSI）的有机结合，实现高光谱空间分辨率增强，是当前高光谱图像处理的热点问题.目前，深度学习已成为高光谱-多光谱图像融合超分辨率的代表性方法，然而如何有效挖掘两者的互补空谱信息，实现空间结构和细节注入，在提升高光谱图像空间分辨率的同时保持高保真光谱信息，依然存在诸多挑战.本文提出了一种多层小波深度聚合网络（Multilevel Wavelet-Deep Aggregation Network，MW-DAN）.该网络有机结合非抽取小波（UnDecimated Wavelet Transform，UDWT）分解和深度残差网络，建立双分支互补信息融合网络，提升图像重建性能.其中，通过深度残差网络中引入跳层汇聚连接，设计信息聚合型结构，并对多光谱图像进行UDWT方向子带分解，逐层注入到网络中间隐层，增强了方向子带结构的细节注入和光谱保真能力.整个网络通过LR-HSI，HR-MSI和HR-HSI（High Resolution HyperSpectral Image）端对端训练，能够学习性能优越的空-谱融合的超分辨非线性映射.大量仿真数据集和真实数据集上的大量融合实验表明，本文提出的方法在客观评价指标、光谱保持和视觉效果上优于目前主流的深度学习方法.

在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源，但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络，现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配，单阶段融合算法难以充分融合二者的特征.为此，本文提出一种新的多层多模态融合的3D目标检测方法：首先，前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息（Red Green Blue， RGB）涂抹编码；然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络；后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量，利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果.在KITTI数据集上进行的实验表明，本融合检测方法相较于纯点云网络的基线上有了显著的性能提升，平均mAP提高了6.24%.

冯诺依曼计算机体系结构面临着“存储墙”的瓶颈，阻碍AI（Artificial Intelligence）计算性能提升.存算一体硬件结构打破了“存储墙”的限制，大大提升了AI计算的性能.目前存算一体计算方案已在多种存储介质上得到实现，根据计算信号类型，可以将存算一体计算方案分成数字存算一体方案和模拟存算一体方案.存算一体硬件结构使得AI计算的性能取得巨大提升，然而进一步发展仍面临重大挑战.本文对不同信号域的存算一体方案的进行了对比分析，指出了每一种方案的主要优缺点，也指明了存算一体技术面临的挑战.我们认为，随着工艺集成、器件、电路、架构，软件工具链的跨层次协同研究发展，存算一体技术将在边缘端和云端，为AI计算提供更加强大和高效的算力.

数据中心网络广泛采用基于优先级的流量控制（Priority-based Flow Control， PFC）机制来避免因缓存溢出而丢包.然而，PFC机制在保证无损传输的同时带来了队头阻塞和拥塞扩散等负面影响.近年来，一些具备端到端拥塞感知能力的传输控制协议被提出来，有效缓解了网络拥塞，减少了PFC的触发.但是在突发流量造成的瞬时拥塞场景下，这些研究工作仍会使得PFC频繁触发而导致严重的队头阻塞和拥塞扩散.针对该问题，在端到端拥塞控制基础上，提出了一种实现于交换机上的直接拥塞通告解决方案（Direct COngestion Notification， DCON），该方案在突发拥塞场景下能及时识别出与非拥塞流（与造成拥塞无关的流）共享入端口的拥塞流（真正造成拥塞的流），并从交换机直接通告发送端对该拥塞流精确地降速.实验结果表明，相比于现有的端到端拥塞控制传输协议，DCON有效避免了PFC的队头阻塞和拥塞扩散，平均流完成时间的最大降幅达到55%.

高精度卷积神经网络推理成本往往较高，很难在资源受限的嵌入式设备上进行实时推理.本文通过分析不同类型卷积对模型推理速度的影响因素，首次指出除了模型计算量，模型的特征图输出量也是影响推理速度的一个关键因素.而现有基于深度分离卷积的轻量化方法仅把模型的计算量作为模型轻量化指标，并未考虑特征图输出量对模型推理速度的影响.根据该发现，本文结合标准卷积提出一种基于快速下采样的模型轻量化加速方法，通过快速减少特征图尺寸来同时减少模型计算量和特征图输出量.本文方法设计的轻量化模型的特征提取能力和不同平台的推理速度均优于现有的基于深度分离卷积的轻量化方法.更进一步地，本文利用该方法针对人脸识别任务提出一个快速人脸识别模型FDFaceNet.与现有的轻量化人脸识别模型相比，FDFaceNet准确率更高，在不同平台上的推理速度更快.

在定位侦察任务中无人机编队协同的工作模式由于具有良好的定位效果和较强的鲁棒性，更加符合未来电子侦察的需求.本文在考虑定位精度的前提下，提出了一种基于主从式编队控制方案的无人机编队航迹规划方法.针对主机航迹规划，以稀疏A*算法为基础，将自适应步长与粒子群算法节点选取相结合提出混合A*算法，并针对障碍物群环境提出避障策略.针对从机航迹规划，提出一种改进的多目标量子粒子群（Improved Multi-objective Quantum-behaved Particle Swarm Optimization，IMQPSO）算法，将粒子混合更新策略、非劣解的优势选取策略和无人机Y型布站方案引入算法.经验证，改进后的算法综合适应度值相较于传统的多目标粒子群（Multi-objective Particle Swarm Optimization，MPSO）算法和多目标量子粒子群（Multi-objective Quantum-behaved Particle Swarm Optimization，MQPSO）算法在算法运行时间基本持平的情况下分别减小了4.7%和1.4%.

光照条件和光谱反射率对增强现实和场景渲染任务非常有用，但是通过仪器采集比较困难，因此根据普通图像计算光照条件和光谱反射率是重要的计算机视觉任务.本文设计了一种通过分析场景中的阴影区域和周边区域颜色之间的色差，无需训练数据即可计算场景的光照条件和光谱反射率的算法.在自然场景中，阴影区域由于遮挡只能接收和反射天空光，而其周边的非阴影区域则同时受到太阳光和天空光的影响.当阴影和非阴影区域有着相同的光谱反射率时，两块区域颜色之间的色差反映了被遮挡光源的信息.两块区域之间的颜色差异由光照条件造成，又以光谱反射率为联系.因此，可以利用这两种颜色之间的关系计算光照条件和光谱反射率.本文使用先验知识和模型公式化表达某一区域在光照下呈现在图像中的颜色，然后基于两种颜色以及两者之间的色差设计了一种优化算法，通过计算最优解来计算场景的光照条件以及光谱反射率.通过在多个数据集上的一系列对比实验，以及一个使用光照条件和光谱反射率来去除阴影区域的应用实验，证明了该算法的准确性.

针对工业故障诊断中设备故障数据采集困难，目标故障样本少的问题，现有的零样本故障诊断方法仍依赖于故障数据集，本文提出了一种基于迁移学习的零样本故障诊断方法.通过经典的主成分分析算法，构建了一个适用于源域和目标域的判别属性提取器，用于提取源域数据样本潜在的细粒度特征表示，将其作为知识迁移的桥梁.利用源域故障数据获得所有已知故障类的共享细粒度基组，并将其作为知识迁移到目标域故障表示中.从共享细粒度基组学习源域和目标域的判别矩阵，构建各自的判别性特征，最终利用判别性属性实现零样本的故障诊断.基于田纳西-伊斯曼过程（Tennessee Eastrman Process，TEP）数据集，实验对本文方法和其他零样本故障诊断方法进行对比，实验结果验证了本文方法对零样本故障检测的有效性.

卷积神经网络（Convolutional Neural Network，CNN）和Transformer的混合架构能够有效建模图像的局部与全局特征，已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战.CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息，降低目标边界的精度；此外，Transformer分支对图像像素进行等同长程依赖关系建模，忽略了变化目标的形状及语义关联信息，导致网络对变化目标特征的表达不足.为解决上述问题，提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块，利用高频信息增强目标区域的边缘信息，从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer，能够自适应地匹配形状不同的变化目标，选择与变化相关的特征建模长程依赖关系，以提高网络的特征表达能力.实验结果表明，提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度，在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.

针对单一传感器SLAM（Simultaneous Localization And Mapping）技术在复杂环境中存在精度低、可靠性差等问题，提出一种基于因子图消元优化的激光雷达、视觉和IMU（Inertial Measurement Unit）融合SLAM算法（Multi Factor Graph fusion SLAM with IMU as the Dominant system，ID-MFG-SLAM）.首先，采用多因子图模型，提出以IMU为主系统，视觉与激光雷达为辅系统，通过引入辅系统观测因子约束IMU偏差，并接收IMU里程计因子实现运动预测与融合的全新结构.之后，为降低融合后的优化成本，加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后，引入一种球面线性插值与线性插值之间的自适应插值算法，将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明，相比其他经典算法，该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m，具有更高的精度和可靠性.

基于深度学习的雷达回波外推是实现短临降水预报的重要方法，由于雷达回波数据具有显著的非刚性的运动特征，使得数据的统计特性随时间在不断变化，意味着其具有高阶非平稳性，而现有深度学习方法难以捕捉回波序列的非刚性运动特征，且难以建模雷达数据的高阶非平稳性.为此，本文针对雷达数据特征提出了一种新的时空融合网络STUNNER（Spatio-Temporal Fusion Neural Network）.STUNNER设计了一种两路时空融合架构，通过交叉连接时间差分网络和时空轨迹网络实现高效的雷达回波外推.时间差分网络通过引入差分的思想提取高阶非平稳数据中平稳性特征来学习雷达回波的长期趋势，时空轨迹网络利用动态卷积将卷积循环神经网络中普通卷积固定的参数采样位置优化为随时间变化的动态位置来提取雷达回波的瞬时变化，同时采用两路融合策略将长期趋势与瞬时变化融合，实现长短时关联记忆.所提模型与其他四个模型在两个公开数据集上进行了实验对比.在雷达回波外推任务中当雷达反射率阈值为45 dBZ时，STUNNER在POD （Probability Of Detection）、CSI（Critical Success Index）、FAR（False Alarm Rate）上相比MIM（Memory In Memory）分别优化了0.020，0.023，0.043.实验结果表明新模型在处理雷达回波外推任务上具有更高的准确率.

本文提出了一种工作在太赫兹频段的双频圆极化手性吸波和异常反射手性超表面，通过合理组合两种手性结构，实现在两个频段相互独立的圆极化手性吸收和异常角度的圆极化转换功能.该双频太赫兹手性超表面在2.53 THz处对左旋圆极化波的吸收率为96.3%，对右旋圆极化波实现同极化的反射；在3.43 THz处对右旋圆极化波的吸收率为90.9%，而对左旋圆极化波表现为同极化反射功能.本文进一步通过连续旋转单元图案引入几何相位，实现了2π反射相位全覆盖.组阵后的手性超表面在两个工作频点各自吸收特定旋向的圆极化波，而对正交极化的圆极化波分别发生约±20°的保手性异常反射.这种基于手性超表面的双频太赫兹多功能器件有望应用于电磁能量收集、极化转换器、手性传感等领域.

太赫兹波段处于微波、毫米波与光波段之间，其相关技术对下一代高速通信、高分辨成像、智能感通一体等多个信息领域的发展具有重要的意义.发展太赫兹应用技术需要对太赫兹波束进行操控和信息加载.动态超表面作为一种新型的实现结构和器件，是实现该功能的重要途径之一.本文将以太赫兹动态超表面的调控功能作为分类依据，从相辅相成的材料、结构、机理及其最终表现的应用演示对幅度调控、相位调控、极化调控、波束调控、高阶非线性调控太赫兹动态超表面5个方面进行了概述，介绍了不同类型动态超表面的相似性与独特性，并对部分工作进行了指标对比.最后，展望了太赫兹动态超表面的发展趋势.本文希望更多学者可以了解太赫兹动态超表面，并促进此领域的发展.

近年来，图像信息的安全传输已成为互联网领域的重要研究课题.本文提出了一种将Hopfield网络伪吸引子特性与交替量子随机行走概率分布矩阵相结合的抗攻击彩色图像加密方案.研究发现，若控制Hopfield网络状态矩阵的精度参数，将交替量子随机行走产生的概率分布矩阵4分块中的1个子块 M ₁作为伪随机数矩阵参与加密，Hopfield网络的训练矩阵与输入矩阵分别为矩阵 M ₁的4分块中的2个对角子块之一时，能产生伪吸引子.该伪吸引子的矩阵形式通过张量运算、进制转换等处理后，能作为密钥矩阵对原始图像进行基于空间域上的像素值排序自适应置乱以及元素数值的混淆，生成加密图像.其中，密钥矩阵是图像加密中的关键部分，具备优异统计学属性的密钥矩阵能极大的提高图像加密的效果.本文所提加密方案在统计学特性测试中，实现了平均信息熵为7.999 4，像素数改变率的平均值为99.621 8%，统一平均变化强度的平均值为33.537 9%，平均相关性为0.003 9等.同时本文还对所提加密方案进行了各种噪声模拟测试以验证其实际应用中遇到常见噪声及攻击干扰情况下的鲁棒性.

本文提出了一种基于石墨烯和二氧化钒（VO₂）的伞状结构可重构太赫兹超宽带吸波器，极大地拓展了太赫兹吸波器的吸收带宽，具有功能可重构、调制深度大等优点.该吸波器由伞状VO₂贴片、聚乙烯环烯烃共聚物（Topas）介电层、石墨烯层以及金属反射层组成.当VO₂处于绝缘态、石墨烯的费米能级为0 eV时，该吸波器在整个太赫兹波段内表现为全反射特性.当VO₂处于金属态、石墨烯的费米能级为0.75 eV时，该吸波器在3.57~10 THz频率范围内实现了超宽带吸收，平均吸收率达到了94%以上，吸收带宽高达6.43 THz.同时调节VO₂的电导率和石墨烯的费米能级，可在两个完美吸收点处实现最大分别为97.9%（4.3 THz处）、96.8%（8.25 THz处）的调制深度，具有良好的开关特性.此外，该吸波器还具有极化不敏感和广角吸收特性，在 {\mathrm{0}}^{°} ~ {\mathrm{35}}^{°}的入射角范围内，该吸波器在3.57~10 THz带宽范围内均保持着90%以上的吸收率.该可重构太赫兹超宽带吸波器在可调宽带吸收器件、隐身器件、热探测、太赫兹开关等领域具有潜在的应用价值.

采用0.11-µm CMOS工艺设计了一款10位亚1 V工艺-电压-温度（Process-Voltage-Temperature，PVT）综合稳健的逐次逼近寄存器型（Successive-Approximation-Register，SAR）模数转换器（Analog-to-Digital Converter，ADC）IP核.由于SAR ADC数字化程度较高，为了降低整体功耗，采用小于标准电压的亚1 V供电.然而，对于异步SAR ADC，在低压下面临严峻的PVT不稳健问题，传统采用固定延迟电路的方式无法应对所有的PVT偏差，会导致ADC良率下降.提出一种用于异步SAR ADC的可配置延迟调控技术，采用3输入译码器调节延迟电路的电流，以满足ADC在多种PVT组合下所需的延时，在TT，SS，FF，SF，FS这5种工艺角，0.9~1 V供电范围和-40~85 ℃的温度范围下，均取得了良好的动态特性.在0.95 V供电，采样速率为200 kS/s时，总功耗为2.24 μW，FoM值仅为16.46 fJ/Conv.-step.

基于深度学习的人脸身份认证由于使用便捷和用户体验好，成为我国当今最受欢迎的人工智能技术应用之一.人脸识别和认证系统必须确保所比对的人脸是真实人脸，否则输出的结果没有任何商业价值.位于系统前端的人脸欺诈检测也称活体检测是保障人脸识别和认证系统有效输出的关键.现有人脸欺诈检测算法虽然库内性能尚佳，但由于实验室训练环境无法完全模拟真实应用场景，造成源域和目标域的数据在分布上存在差异，导致跨库检测性能明显下降.尽管通过增加检测特征的种类和个数可以改善算法性能，但会导致检测网络构造复杂，模型变大，计算复杂度增加.为了改善算法的跨库检测性能并降低计算的复杂度，本文提出一种基于三维（3D）深度点云监督和置信度修正机制的人脸欺诈检测算法.主要贡献包括：设计了DenseBlockNet，仅用较浅层的DenseBlockNet网络即可提取真假人脸之间具有很好区分度的深度信息特征，模型小；将DenseBlockNet输出的二维深度图与采样点位置进行关联，构造三维深度点云，采用倒角损失函数监督预测的深度点云与实际点云标签之间的三维空间距离，同时还采用图二元交叉熵损失监督预测的深度图与深度图标签之间的差异；在3D深度点云预测模块中引入置信度修正机制，修正二分类误差，同时避免库内过拟合，提高算法的泛化能力.所提出方法与包括2种最新文献的8种典型算法在Replay-attack、CASIA-FASD、MSU-MFSD、Rose-Youtu、OULU-NPU等5个主流人脸欺诈检测数据库上进行了充分的对比实验，实验结果表明，所提出的算法在库内和跨库检测中均能保持半总错误率最低或次低，且模型最小，参数量最少，计算复杂度最低.

空中计算（over-the-Air Computation，AirComp）是一种有效提升分布式数据聚合效率的方法.现有研究大多采用单无人机（Unmanned Aerial Vehicle，UAV）方案，未考虑数据聚合质量和系统稳定性.为此，本文提出一种基于多UAV辅助的AirComp网络，旨在实现多个地面移动传感器（Ground Mobile Sensor，GMS）的高效聚合.为了改进数据采集质量并全面反映系统性能，本文设计了一个多约束优化问题，通过联合优化UAV-GMS关联、UAV三维（Three Dimensional，3D）部署、UAV去噪因子以及传输功率分配，以最大化系统的最小可达速率.针对多约束优化问题的非线性特征，本文提出一种AirComp网络下多UAV辅助的深度确定性策略梯度优化算法（Deep Deterministic Policy Gradient-based optimization algorithm for multi-UAV cooperation in AirComp network，AirDDPG-UAV），用以协助多UAV在复杂环境下快速响应聚合任务.该算法利用深度强化学习的确定性策略对网络中的状态、行为和奖励进行优化，以最大化系统最小可达速率.数值结果显示，AirDDPG-UAV算法在保证较低的系统能耗和计算复杂度前提下，能够使系统最小可达速率提高15%，表明本文所提方案适用于分布式数据聚合，可以有效提高数据聚合效率.

多跳问题是一类通过知识推理才能给出答案的复杂问题，往往需要相关的多项关联知识融合生成最终答案.现有基于知识图谱的多跳智能问答方法推理过程比较复杂，没有考虑关系路径蕴含的结构信息和语义信息.为此，本文提出了基于知识图谱关系路径的多跳智能问答模型，将多跳智能问答问题转换为在低维向量空间中查找知识图谱中最优关系路径的问题.该模型利用表示学习将知识图谱和用户问题同时嵌入到低维的向量空间，实现知识空间和问题空间的统一表示；然后结合主题实体向量表示和问题向量表示对候选实体进行语义评分，产生候选答案集合；以问题实体为起始节点，以候选答案实体为结束节点，从知识图谱中抽取与问题相关的关系路径集合；将关系路径进一步嵌入到低维的向量空间，生成关系路径的向量表示，在向量空间中查找与问题语义匹配度最高的关系路径，最终根据关系路径生成多跳问题的答案.在公开的数据集上对所提出的模型进行了实验，结果表明该方法与现有方法相比不仅具有良好的性能，而且具有良好的稳定性，不会随着问题跳数的增加而降低性能.

针对去蜂窝大规模多输入多输出（Multiple-Input Multiple-Output，MIMO）非正交多址接入（Non-Orthogonal Multiple Access，NOMA）系统能耗较大的问题，提出一种兼顾功率消耗和用户服务质量的能效优化算法.首先建立下行链路总能效最大化的资源分配模型，将该非凸能效优化问题分解为用户分组和功率分配两个子问题，然后利用统计学理论提出最大化信道增益差与最小化信道相关度的用户分组算法.基于分组结果，利用连续凸近似法将原非凸功率分配子问题转化为凸优化问题，求解得到最优的功率分配因子.仿真结果表明，与传统的正交多址接入系统相比，应用所提算法的NOMA系统可以获得更高的能效性能和用户吞吐量性能，同时有效提升用户公平性.

极化可重构天线是一种极化状态可切换的新型天线，它具有减少系统中天线数量、利于频率复用等优点.本文基于模式可切换馈电网络，提出了一种具备两个工作频带（1 GHz和2.1 GHz）和四种极化状态（0°和90°线极化和左、右旋圆极化）的直流偏置电压数量较少的双宽带极化可重构微带天线.双频比可实现范围为1.7~3.5.本文详细介绍了双频可切换馈网和天线的设计过程.本文在分支线耦合器的基础上加载4个开路枝节和12个二极管，通过切换二极管状态使馈网输出信号幅度和相位可以在四种模式之间切换，从而满足四种极化状态的激励条件；并且基于参数分析，提出了调节双频比和提高轴比带宽的方法.天线方面，本文在双层L探针贴片天线的基础上设计了一种准同轴去耦结构和一种T形结匹配结构.仿真结果表明天线具有良好的双频双极化性能.最后，对馈电网络和天线的整体进行了仿真和加工实测.实测结果表明，该天线在0.94~1.07 GHz（13%）和1.99~2.27 GHz（12.6%）两个较宽的频带内仅用2个直流偏置电压（不包括地板电位）就实现了四种极化状态的切换，低、高频带内线极化状态的法向增益分别为7.6 dBi和7.3 dBi，圆极化的法向增益分别为6.3 dBic和5.9 dBic.本文设计的双频四极化可重构天线为RFID系统、WLAN系统和卫星导航系统提供了新的解决方案.