5G技术不仅在以蜂窝网络为代表的移动互联网中占据主要角色，还正在积极地为工业场景提供技术变革的契机.目前，国内外已经开展了大量和5G抗干扰技术相关的工作，但仍缺乏对5G在授权和非授权频谱下抗干扰技术的系统性综述.本文分析了5G无线干扰的主要来源，指出了抗干扰研究的技术难点，并以授权频段5G蜂窝网络干扰与非授权频段异构系统间干扰两个关键问题为例，对现有的无线抗干扰方案进行了具体分析和归纳对比，最后对5G技术在授权频段和非授权频段抗干扰技术的未来研究方向进行了展望.

图像超分辨率重建是计算机视觉中的基本图像处理技术之一，不仅可以提高图像分辨率改善图像质量，还可以辅助其他计算机视觉任务. 近年来，随着人工智能浪潮的兴起，基于深度学习的图像超分辨率重建也取得了显著进展. 本文在简述图像超分辨率重建方法的基础上，全面综述了基于深度学习的单帧图像超分辨率重建的技术架构及研究历程，包括数据集构建方式、网络模型基本框架以及用于图像质量评估的主、客观评价指标，重点介绍了根据网络结构及图像重建效果划分的基于卷积神经网络的方法、基于生成对抗网络的方法以及基于Transformer的方法，并对相关网络模型加以评述和对比，最后依据网络模型和超分辨率重建挑战赛相关内容，展望了图像超分辨率重建未来的发展趋势.

实体关系抽取是信息抽取领域的核心任务.从文本中抽取的实体关系三元组是构建大规模知识图谱的基础.传统的流水线方法将实体关系抽取分解为独立的命名实体识别和关系抽取两个子任务.首先，构建一个高效的命名实体识别器，从大规模非结构化文本语句中识别实体边界和类型.然后，将该命名实体识别器识别的实体与类型作为关系抽取任务中所用数据的标注.最后，通过关系抽取器得到两个实体之间的关系类别，进而组合成为结构化的实体关系三元组.命名实体识别任务存在的误差会影响后续的关系抽取任务的性能，这使得流水线方法具有错误累积问题.这是因为关系抽取任务中使用的标注数据来自于前面的命名实体识别任务，这会有一定的误差，进而影响关系抽取的结果质量.此外，流水线方法减弱了两个子任务之间的特征关联，这会出现冗余实体的问题.命名实体识别任务和关系抽取任务独立进行学习训练，导致这两个子任务间缺乏交互，使得文本信息没有得到充分利用，限制了流水线方法的性能瓶颈.由于非结构化文本信息没有得到充分利用，流水线方法在抽取实体间长依赖关系时具有一定局限性，很难达到联合抽取模型的性能指标.实际应用中，实体间往往存在多种关系，流水线方法无法充分使用全局文本信息，且命名实体识别会产生冗余实体，在抽取多元重叠关系时，该方法具有一定的局限性.因此，在构建高准确率实体关系抽取模型时，流水线方法具有欠缺之处.本文对实体关系联合抽取的研究发展全景进行了综述，简要阐明整数线性规划、卡片金字塔解析模型、概率图模型和结构化预测模型这四类基于特征工程的联合模型的共同缺点.本文聚焦基于深度学习的实体关系联合抽取技术，根据近年来实体关系联合抽取前沿研究成果，总结了实体关系联合抽取模型的主流构建方法.按照建模思想的特点总结为三种建模方法：多模块-多步骤、多模块-单步骤以及单模块-单步骤.多模块-多步骤建模方法主要包含实体域映射关系域、关系域映射实体域和头实体域映射关系-尾实体域这三种类别.这三类模型的共同特点都是将三元组的提取过程分为多个模块，通过共享参数的方式整合各个模块，逐步迭代得到三元组.这种方法推动联合模型性能提升，初步解决了流水线方法存在的问题.但每个步骤使用独立的解码算法，导致解码误差累积问题.且共享参数整合各个模块的冗余误差会互相影响预测性能，从而产生级联冗余问题.多模块-单步骤建模方法旨在构建一个最优化的联合解码算法，并对其求取最优解进而得到最优超参数.这种方法设计了简单精确的联合解码算法，并加强了多个子模块间的交互性，减弱了因为逐步迭代导致的解码误差和级联冗余对联合模型性能的影响.然而，模块的分离依然会产生冗余错误，具有一定局限性.单模块-单步骤建模方法可以直接从文本语句中抽取三元组，有效缓解了多模块-多步骤和多模块-单步骤建模方法的级联错误和实体冗余等问题.本文以前沿文献中具有代表性的联合模型为例，详细分析了这些模型的建模思路，剖析了各个模型的优缺点，将多个具有共同建模思路的经典模型进行归类，以阐述实体关系联合抽取模型的发展趋势.本文将单模块-单步骤建模方法的代表模型在公开基准数据集上的模型性能与多模块-多步骤和多模块-单步骤的代表模型性能进行对比分析，阐明实体关系联合抽取模型的建模思路正在从基于多模块-多步骤和多模块-单步骤的复杂建模方法，逐渐向单模块-单步骤的高效建模方法转变的客观趋势.最后，本文对三个实体关系联合抽取的研究方向进行了展望.当下主流的联合模型聚焦于限定域的实体关系抽取任务，对于开放域问题研究得不够.开放域实体关系联合抽取任务是未来的研究人员亟待解决的问题之一.在实际工业应用中，文本语料包含多元信息，如时序信息.而当前的实体关系联合抽取模型大多依据单一文本上下文信息进行特征抽取，从而忽略了时序信息.若融入像时序信息这样的多元信息或能进一步提升联合模型性能，这是未来一项具有重大意义的课题.此外，对于跨文本的实体关系联合抽取模型研究较少，这也是该领域未来的一个研究趋势.本文旨在建立一个完整的基于深度学习的实体关系联合抽取领域研究视图，以对相关领域研究者有所帮助.

海量电子病历（Electronic Medical Record，EMR）数据是支撑医疗智能化研究的重要原料，然而电子病历文本数据的半结构化甚至无结构化特点，造成后续对其分析利用的极大困难.虽然近年来基于深度学习的命名实体识别（Named Entity Recognition，NER）成为对电子病历进行自动化信息抽取的核心技术，但鉴于中文电子病历（Chinese Electronic Medical Record，CEMR）具有包括病历文本的非规范性与专业性、医疗实体的独特性和标注语料的稀缺性在内的独特文本数据特征，该研究目前仍存在诸多挑战.本文对中文电子病历命名实体识别的研究与进展进行了综述，系统梳理了命名实体识别的概念、相关理论模型以及制约中文电子病历命名实体识别准确率和识别效率的主要原因；从技术发展角度详细分析了中文电子病历命名实体识别方法的变革历程；并对中文电子病历命名实体识别效果做了实验验证与深入分析，指出了现有模型的不足与改进方向.鉴于国内近年来与中文信息学处理相关的测评会议CCKS持续关注中文电子病历命名实体识别，本文特别对CCKS在该领域五年来的全部代表性测评论文做了纵横对比分析，并通过在主流模型上的深入实验与研究，为后续该领域的继续推进寻求了思路.

有源相控阵雷达作为支撑国家战略安全的核心装备，承担着国家战略反导、超视距探测、反隐身侦查、远程引导打击等重大任务，维护着我国的国土安全，更是我国大国地位的战略支柱.有源相控阵技术诞生于20世纪60年代的战火之中，军事上的迫切需要使其一经问世就引起了世界的轰动，它的出现甚至影响了世界军事的变革.相比于传统的单脉冲、脉冲多普勒等技术，它使雷达迈入了一个新时代，对雷达发展产生了深远和广泛的影响.有源相控阵雷达中每个天线单元都连接有对应的发射/接收组件，通过控制移相器改变天线孔径上的相位分布，实现天线不做机械转动而天线波束在空间进行快速电扫描.因此，相比于传统机械扫描雷达扫描惯性大、数据率有限、信息通道数少、不易满足自适应和多功能需求等缺点，有源相控阵雷达具备微秒时间内灵活且无惯性扫描、功能多、可靠性高、数据率大、雷达反射截面积低、自适应能力强、不易受到干扰等无可比拟的优势.随着现代国防的重大需求，雷达装备向着超视距、精准探测、极度隐身等方向持续发展，有源相控阵天线向着高频段、高增益、高指向精度、低副瓣电平等方向不断迈进，天线的高电磁指标对结构的刚度、轻量化、高效散热等设计参数提出了严苛的要求，天线内部各参数呈现高维度多场耦合关系，更容易受到战场恶劣环境的干扰而恶化天线的电性能，降低雷达的探测威力、制导精度与战场生存能力等.有源相控阵天线被誉为“三军之眼”，是涉及多学科交叉的典型装备，其结构、热、电磁之间存在的相互影响、相互制约的耦合关系定义为有源相控阵天线的机电热耦合问题.主要耦合问题有四点.其一，馈电误差影响天线电磁性能：有源相控阵天线馈电网络误差、辐射单元失效、热敏电子元器件（如发射/接收组件中的移相器）性能温漂、天线单元互耦等都会引起馈电电流的幅相误差，导致天线电磁性能恶化.其二，结构误差影响天线电磁性能：有源相控阵天线制造、装配存在随机误差，服役中振动、冲击、热功耗等导致阵面变形，最终引起辐射单元位置偏移，天线阵面电磁幅相分布发生变化，导致发射波束变化，最终使天线电性能受到严重影响.其三，热影响天线电磁性能：有源相控阵天线阵面上安装有成千上万的发射/接收组件，热功耗巨大，一方面会导致天线阵面的结构热变形，另一方面也会引起器件的性能下降，最终导致天线电磁性能的恶化.其四，结构、热与电磁性能耦合：三者中任一个变化，都会引起其他两个的变化.有源相控阵雷达在不同占空比工作模式下，其天线阵面电磁幅相会做出相应分布，导致热功耗随之变化，从而引起温度分布发生变化，进而影响天线阵面的结构热变形.因此有源相控阵天线的机电热耦合问题已成为制约其稳健发展，进一步提升性能的瓶颈问题.本文梳理了陆基、舰载、机载、弹载、星载不同平台上有源相控阵天线的发展动态，分析了各武器平台上有源相控阵天线的结构特点，归纳了“陆、海、空、天”不同战场环境的服役载荷对有源相控阵天线的影响，然后总结了天线结构误差、天线罩高温烧蚀、T/R组件馈电误差、天线单元失效等多重因素影响下有源相控阵天线机电热耦合机理分析与建模方法，机电热耦合技术在有源相控阵天线制造精度、高效散热以及轻量化综合优化、稀疏阵设计等领域的应用，以及服役环境下有源相控阵天线状态监测、位移场重构、电性能补偿等关键保障技术，最后探讨了机电热耦合技术的未来研究方向以及在不同研究领域的应用前景.

微波谐振式传感器具有低成本、高灵敏度、实时、无损检测等特点，在生物、医疗、环境等领域都有着广阔的应用前景.一般来说，微波谐振式传感器通过传输线激励谐振单元，通过谐振频率偏移等特征变化获得待测量.本文对微波谐振式传感器现有研究成果进行了详细的综述.首先简要介绍了微波谐振式传感器分类、基本工作原理及关键性能指标，其次以位移传感器、介质传感器及液体传感器这3种类型总结当前微波谐振式传感器国内外研究进展，之后着重探讨了群智能算法、机器学习等优化算法在微波谐振式传感器优化设计方面的应用，最后展望了微波谐振式传感器的发展前景以及存在的挑战.

近年来，以机器学习算法为代表的人工智能技术在计算机视觉、自然语言处理、语音识别等领域取得了广泛的应用，各式各样的机器学习模型为人们的生活带来了巨大的便利.机器学习模型的工作流程可以分为三个阶段.首先，模型接收人工收集或算法生成的原始数据作为输入，并通过预处理算法（如数据增强和特征提取）对数据进行预处理.随后，模型定义神经元或层的架构，并通过运算符（例如卷积和池）构建计算图.最后，模型调用机器学习框架的函数功能实现计算图并执行计算，根据模型神经元的权重计算输入数据的预测结果.在这个过程中，模型中单个神经元输出的轻微波动可能会导致完全不同的模型输出，从而带来巨大的安全风险.然而，由于对机器学习模型的固有脆弱性及其黑箱特征行为的理解不足，研究人员很难提前识别或定位这些潜在的安全风险，这为个人生命财产安全乃至国家安全带来了诸多风险和隐患.研究机器学习模型安全的相关测试与修复方法，对深刻理解模型内部风险与脆弱性、全面保障机器学习系统安全性以及促进人工智能技术的广泛应用有着重要意义.本文从不同安全测试属性出发，详细介绍了现有的机器学习模型安全测试和修复技术，总结和分析了现有研究中的不足，探讨针对机器学习模型安全的测试与修复的技术进展和未来挑战，为模型的安全应用提供了指导和参考.本文首先介绍了机器学习模型的结构组成和主要安全测试属性，随后从机器学习模型的三个组成部分即数据、算法和实现，六种模型安全相关测试属性即正确性、鲁棒性、公平性、效率、可解释性和隐私性，分析、归纳和总结了相关的测试与修复方法及技术，并探讨了现有方法的局限.最后本文讨论和展望了机器学习模型安全的测试与修复方法的主要技术挑战和发展趋势.

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.

基于深度学习的生物医学图像分割由于其精度的提高，可以更好地辅助医生做精确的诊断.目前主流的基于U-Net的分割模型通过多层卷积进行局部特征的提取，缺失了全局信息，使分割过于局部化而产生误差.本文通过自注意力机制和分解卷积策略对U-Net模型进行改进，提出一种新的深度分割网络SAU-Net，使用自注意力模块增加全局信息，将原U-Net中的级联结构改为逐像素相加，减小维度，降低计算量；提出一种快速简洁的分解卷积方法，将传统卷积分解为两路一维卷积，并加入残差连接强化上下文信息.在BRATS和Kaggle两个脑肿瘤数据集上进行的实验结果表明，SAU-Net在参数量和Dice系数上都有更优的性能.

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.

基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题.每个动作单元描述了一种人脸局部表情动作，其组合可定量地表示任意表情.当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素.基于此，本文将已有的研究分为基于迁移学习、基于区域学习和基于关联学习的方法，对各类代表性方法进行评述和总结.最后，本文对不同方法进行了比较和分析，并在此基础上探讨了未来动作单元识别的研究方向.

知识库问答（Knowledge Base Question Answering，KBQA）借助知识库中精度高、关联性强的结构化知识，为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一，该类方法在给定的问句语义表征形式下，将非结构化的问句映射为结构化的语义表征，再将其改写为知识库查询获取答案.目前，面向知识库问答的语义解析方法主要面临三个挑战：首先是如何选择合适的语义表征形式以表达问句的语义，然后是如何解析问句的复杂语义并输出相应的语义表征，最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发，分析了知识库问答中常用的语义表征的特点与不足，然后梳理现有方法并总结分析其如何应对问句的复杂语义，接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试，最后展望并讨论了面向知识库问答的语义解析的未来发展方向.

为了提高氮化镓半桥结构的抗dv/dt特性，提出了一种适用于氮化镓半桥结构的高可靠性差分电流补偿新颖电平移位电路.该电路在自举电容作用下，将0V~5V输入电压转换为35V~40V输出电压，并且在浮点电压快速变化过程中，输出的驱动电压均保持稳定.电路采用电流镜结构传输信号，能够实现电平信号的快速传递,有效地减小传输延迟.对于浮点电压的快速变化导致移位电平器输出变化的问题，采用新颖的差分电流结构进行电流补偿,提高电路的抗dv/dt特性，获得高可靠性的输出电压.本电路基于标准0.35μm BCD工艺40 V的LDMOS耐压器件，对该电平移位电路在1MHz频率下进行验证.结果表明上升沿响应延迟为587.184ps，下降沿响应延迟为832.144ps，抗正的dv/dt变化为116V/ns以及对负dv/dt变化不敏感，该电路具有高速,高可靠性优点.

为广大科研人员了解国家自然科学基金“电子科学与技术”领域基础研究队伍、主要研究方向和发展趋势，针对2022年度信息一处受理的人才和探索两大系列部分类型的项目，从申请代码、申请人年龄和性别、依托单位分布以及按科学问题属性分类评审等不同角度分析了各类项目申请与资助情况，介绍了2022年度“负责任、讲信誉、计贡献”评审机制试点工作情况，最后展望了“十四五”期间领域重点发展方向.

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.

现有的图像压缩感知（Image Compressive Sensing， ICS）优化启发网络沿用了传统算法的像素域优化思想，构建了像素域的图像信息流动通道，而没有充分利用卷积神经网络所提取的图像特征中的信息.对此，本文提出了在特征域构建信息流的思想，并设计了一种特征域优化启发ICS网络（Feature-Space Optimization-Inspired Network， FSOINet）以实现该思想.考虑到卷积操作感受野较小，本文通过将自注意力模块引入FSOINet以更高效地利用图像非局部自相似性，进一步提高重构质量，我们将其命名为FSOINet⁺.此外，本文还提出把迁移学习策略应用于不同采样率图像压缩感知重构网络训练中，提高网络学习效率与重构质量.仿真实验表明，本文所提出的网络在峰值信噪比（Peak Signal to Noise Ratio， PSNR）、结构相似性（Structural Similarity Index Measure， SSIM）与视觉效果上都优于现有的最优ICS重构方法，FSOINet与FSOINet⁺在Set11数据集上与OPINENet⁺相比重构图像PSNR分别平均提升了1.04dB和1.27dB.

在正确地规划合理路径方面，行人轨迹预测具有重要的意义.大多数现有轨迹预测方法在考虑周围行人的影响时，都是简单地将周围行人全部考虑在内，这必然带来的冗余信息.本文提出了一种基于多模式时空交互的行人轨迹预测模型，该模型通过多模式行人空间交互模块对不同行人在不同情况下给予不同的权重，使得模型可以有效减小冗余信息带来的影响.并且本文的模型针对于输入轨迹信息的不同重要程度，设计了加权信息融合模块在原轨迹信息的基础上融合了赋予不同权重的历史轨迹信息，使得模型的轨迹信息更加有效.此外，该模型采用了时间卷积网络模块来捕获行人的时间交互.实验结果表明，在公开数据集ETH和UCY上，相比于Social-STGCNN平均位移误差(Average Displacement Error, ADE)和终点位移误差(Final Displacement Error, FDE)分别降低了15%和14%.

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.

挖矿恶意软件是近年来出现的一种新型恶意软件，其加密运算模式给受害用户带来巨大损失.通过研究挖矿恶意软件的静态特征，本文提出一种基于威胁情报层次特征集成的挖矿恶意软件检测方法.从挖矿恶意软件威胁情报的角度，本文分别使用字节特征层、PE（Portable Executable）结构特征层和挖矿操作执行特征层训练挖矿恶意软件分类器，利用不同恶意软件特征对恶意软件的检测偏好，使用集成方法在层次特征的基础上组建挖矿恶意软件检测器.在实验评估中，本文使用模拟实验室环境数据集和模拟真实世界数据集进行模型性能测试.实验结果表明，本文所设计的层次特征集成的挖矿恶意软件检测方法在模拟真实世界数据集上取得了97.01%的准确率，相对挖矿恶意软件检测基线方法获取了6.13%的准确率提升.

近年来，随着推荐系统研究的不断深入，推荐系统的公平性受到越来越多关注. 流行度偏差也即流行的物品比非流行的物品更容易被推荐，是影响其公平性的重要因素之一. 流行度偏差对推荐系统的各利益相关者都有严重的影响，引起研究者的广泛关注. 相关研究主要通过推荐结果重排或学习过程中融合正则化项提升非流行物品的曝光率，而非流行物品的交互数据极度稀疏成为研究的瓶颈. 针对此问题，本文提出基于自监督学习的去流行度偏差推荐方法，解决两个难点：（1）准确学习交互数据极度稀疏的非流行物品的表征；（2）提升非流行物品曝光率的同时，兼顾不同用户对流行和非流行物品的偏好. 具体地，从用户的角度，提出流行物品和非流行物品双视图的用户偏好学习方法，准确学习用户对流行和非流行物品的真实偏好；从物品的角度，采用自监督学习，利用互信息最大化捕获非流行物品与流行物品间的潜在关系，辅助提升非流行物品嵌入学习的准确性. 最后，设计用户流行度偏好一致性、资格公平性等指标，并通过三个公开数据集的大量实验说明了本文方法在提升推荐性能的同时，能有效缓解流行度偏差问题并具有较强的通用性.

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.

针对伺服级共享控制决策中权衡安全性、干预度与驾驶体验的问题，提出基于高斯隐马尔可夫模型（Gaussian Hidden Markov Model，GHMM）的人机共享控制区域化决策算法.此算法利用高斯分布函数表征驾驶人的实时相对驾驶能力；利用区域化的高斯矢量环境风险场量化模型表征不同环境区域的环境风险值以及其模糊风险等级；最后综合驾驶人绝对能力、驾驶状态以及环境风险实现人机共享控制中控制权的高可靠、合理分配.实验表明，本文提出的人机共享区域化决策模型能够在考虑驾驶人相对能力及环境风险源所在方位的基础上给予较为合理的控制权柔性分配方案，有效降低风险至智能驾驶模型可控范围内.

群组行为识别目前是计算机视觉领域的一个研究热点，在智能安防监控、社会角色理解和体育运动视频分析等方面具有广泛的应用价值.本文主要针对基于深度学习框架下的群组行为识别算法进行综述.首先，依据群组行为识别方法中“是否包含组群成员交互关系建模”这一核心技术环节，将现有算法划分为“无交互关系建模的群组行为识别”和“基于交互关系描述的群组行为识别”两大类.其次，鉴于“无交互关系建模的群组行为识别方法”主要是聚焦于如何对“群组行为时序过程的整体时空特征的计算和提纯”进行设计的，故本文从“多流时空特征计算融合”“个人/群体多层级时空特征计算合并”“基于注意力机制的群组行为时空特征提纯”3类典型算法进行概述.再次，对于“基于交互关系建模的群组行为识别”，依据对交互关系描述方法的不同，将其归纳为“基于组群成员全局交互关系建模”“基于组群分组下的交互关系建模”和“基于关键人物为主的核心成员间交互关系建模”3种类别分别概述.然后，对群组行为识别相关的数据集进行介绍，并对不同识别方法在各个数据集的测试性能进行了对比和总结.最后，分别从群组行为类别定义的二元性、交互关系建模的难点与不足、群组行为数据集弱监督标注和自学习、视角变化以及场景信息综合利用等方面概述了几个具有挑战性的问题和未来研究的方向.

非合作目标识别常常面临少量不完备的训练样本、训练样本与测试样本信噪比不一致等现象，本文为此提出了一种基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法.该方法沿格拉斯曼流形中测地线积分提取不变特征，且通过核函数映射可获得解析特征提取表达式.该方法还可作为预处理手段对数据降噪，进一步提高其他算法的识别准确率.实验结果表明，对于信噪比失配和少量不完备样本等问题，该方法都具有鲁棒目标识别能力，并且满足实时性要求.

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.

GeTe相变射频（Radio Frequency，RF）开关作为一门新兴的射频开关技术，一经提出便迅速成为研究热点.该开关利用GeTe相变材料热致相变特性，实现晶态低电阻和非晶态高电阻之间的相互转换，具有低插损、高截止频率、低功耗、非易失、易集成等特点，在5G、毫米波以及未来的6G无线通信中具有巨大的应用价值.本文系统阐述了GeTe相变射频开关的工作原理、结构与工艺的进展、重要性能指标的优化以及应用现状，指出了其在未来的发展方向和应用前景，以期对后续GeTe相变射频开关的研究提供有益的参考.

未来卫星通信正不断向多频段大带宽传输、多粒度柔性交换转发、宽带灵活空间高速组网的方向发展，对卫星通信载荷的处理交换能力以及高速传输能力提出了更高的要求.传统的卫星通信系统通常采用微波技术进行信号的星上处理和转发，在处理速度和传输带宽等方面存在的电子瓶颈，使之难以在兼顾载荷重量、体积和功耗的前提下，实现多频段、大带宽、多粒度、多通道的数据传输和高速率、大容量星间数据交互，因而难以适应未来卫星通信需求.微波光子学融合了微波和光子两大技术，具有工作频带宽、瞬时带宽大、无电磁干扰、接入灵活、体积小、重量轻等特点，基于微波光子学的卫星通信载荷能够利用光学手段克服传统微波技术的电子瓶颈，大幅度提高卫星通信系统的多频段、大带宽通信信号的传输与处理性能，为卫星通信载荷的设计提供了新的思路.本文针对基于传统微波技术的卫星通信所存在的局限性，探索未来新型微波光子卫星通信载荷架构，提出了微波光子通信载荷系统构成和实现方案，重点阐述了宽带光电/电光阵列转换模块、大瞬时带宽微波光子信道化单元及多尺度微波光子柔性交换模块的模块组成及功能结构；在此基础上，进一步研究了宽带低杂散微波光子变频、微波光子密集信道化及光交换矩阵等关键技术，给出相应的解决方案，同时为降低系统体积、重量、功耗，提升系统稳定性，探索了系统的芯片化、集成化技术的可借鉴性思路；随后，针对微波光子载荷的卫星通信载荷在未来卫星通信和空间信息网络中潜在的重要作用，分析展望了基于微波光子载荷的卫星通信应用设想，提出了本地数据处理转发、远距离数据传输转发、分布式星群群内协作处理三种典型数据传输模式，支持Q/V、Ka、Ku等多频段、多带宽、多通道、多业务的微波信号接收及发送，以及高速率、大容量、远距离的激光链路数据交互；最后，对基于微波光子的卫星通信载荷技术的发展路线和有待解决的重难点问题进行了总结和展望，为未来多频段一体化卫星通信载荷的设计和应用提供了重要理论参考和关键技术支撑.

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.

得益于空间复用能力，超大规模多输入多输出（Multiple Input Multiple Output，MIMO）技术成为未来第六代通信提供高速数据服务和全球海量网络接入的关键技术之一.传统的大规模MIMO技术主要依托装配有高分辨率移相器的大规模相控阵来实现.然而，移相电路的高功耗与高硬件成本阻碍了超大规模相控阵在实际工程中的应用，从而阻碍了超大规模MIMO的实际部署与发展.本文考虑了一种超大规模MIMO的新范式——全息无线电.在全息无线电中，大量微小而廉价的天线单元紧密集成，在低硬件成本的情况下达到高方向性增益，从而能够对电磁波进行灵活的调控并有效提升无线通信性能.本文提出利用一种名为可重构全息超表面（Reconfigurable Holographic Surface，RHS）的新型超材料天线来实现全息无线电.具体而言，RHS由大量低成本低功耗可调谐超材料单元组成，其馈源与超表面集成为一体并产生电磁波，电磁波沿着超表面传播并逐一激励RHS辐射单元，每个RHS辐射单元会根据全息干涉原理在超表面上构建全息图案控制电磁波的辐射幅值从而实现全息波束成形.根据RHS的工作原理，本文介绍了一种低复杂度的新型多址接入技术——全息多址接入（Holographic-pattern Division Multiple Access，HDMA）技术，其主要思想是将所有发射信号映射叠加至超表面构建的单一全息图样上从而为多用户提供数据传输服务.本文对HDMA方案进行了优化设计以最大化RHS辅助下的多用户广播通信系统能量效率.为了进一步验证HDMA技术的有效性，本文实现了二维RHS阵列的原型机并搭建了RHS辅助下的全息无线电通信平台.基于HDMA技术，该通信平台能够以低功耗支持多用户高清视频的实时传输.实验结果表明RHS具有以简单的布线方式和低功耗实现定向增益的巨大潜力，从而进一步验证了利用RHS实现全息无线电的可行性.此外，本文还讨论了基于RHS的全息无线电的未来研究方向和关键挑战.

基于65 nm 互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）工艺研制了一款用于X波段的小型化高增益低噪声放大器（Low Noise Amplifier，LNA）.通过研究晶体管尺寸和偏置电压对噪声系数和增益性能的影响，确定了低噪声高增益情况下晶体管尺寸和偏置电压的取值.针对LNA的输入、输出和级间匹配，采用变压器匹配网络，使得LNA尺寸缩小至0.33 mm×0.73 mm，同时提高了电路的隔离度.在变压器中嵌入并联电容，降低了变压器的耦合系数.基于差分共源拓扑结构，引入中和电容技术，有效地抑制了晶体管栅-漏间寄生电容引起的米勒效应，提高了LNA的增益和稳定性.测试结果表明，在1 V电源电压下，该LNA的带内最大增益为22.9 dB，最小噪声系数为2.8 dB，功耗为49 mW.在射频收发系统中，本款LNA具有良好的应用前景.

利用数据类别间层次结构关系进行分类学习任务广泛存在于疾病诊断、图像标注等领域.然而,数据特征空间的高维性,使得分层分类学习面临着时间复杂度高和存储负担大等问题.另外,现有研究工作都假设训练集标记粒度是充分细化,与实际分层分类学习中划分细粒度标记代价高,类别标记间存在语义歧义性等矛盾.为解决上述问题,提出一种由粗到细的分层特征选择算法.该算法考虑类内一致性和兄弟节点间的差异性以选择有代表性特征,同时在特征选择的过程中实现预测训练样本未知的细粒度标记.在7个基准数据集上的实验结果表明,所提算法的分类性能优于一些先进的对比算法,且能处理标记粒度不够细化的情况.

现有视频压缩感知神经网络重构算法采用的光流对齐和可变形卷积对齐的运动补偿方式存在误差积聚、信息感知范围有限等问题，极大地限制了其有效性和实用性.为了在不引入额外参数的条件下自适应提取参考帧的全局信息，本文提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想，并设计了时域注意力特征对齐网络（Temporal-Attention Feature Alignment Network， TAFA-Net）进行实现.在此基础上，提出了联合深度重构网络（Joint Deep Reconstruction Network Based on TAFA-Net， JDR-TAFA-Net），实现非关键帧的高性能重构.先利用本文所提的TAFA-Net获得参考帧到当前帧的对齐帧；然后，利用基于自编码器架构的融合网络充分提取已有帧信息，增强非关键帧的重构质量.仿真结果表明，与最优的迭代优化算法SSIM-InterF-GSR相比，所提算法重构帧的峰值信噪比（Peak Signal to Noise Ratio， PSNR）最高提升了4.74dB；与最优的深度学习算法STM-Net相比，所提算法重构帧的PSNR最高提升了0.64dB.