分子通信是一种利用微小粒子编码、传输和接收信息的通信范式，具有生物兼容性好、尺寸小等特点，是用来构建纳米网络的非常有潜力的通信方案之一.分子通信的概念一经提出就吸引了广泛关注，众多学者的参与使其迅猛发展.目前，分子通信理论已经被广泛研究，相关实验也有了进展.尽管如此，构建实际的分子通信系统还有大量问题亟须解决.为促进分子通信领域更好发展，对分子通信的理论基础和当前研究进展进行系统性的总结是必要的.因此，本文对基于扩散的分子通信的基本概念和研究进展进行了阐述，包括信道模型、信号的编码调制机制以及接收机制；此外，还介绍了分子通信系统的同步机制、移动分子通信系统，以及分子通信实验系统的最新研究进展，并对分子通信未来的研究方向进行了展望.

目标检测是计算机视觉领域中最基础且最重要的任务之一，是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展，目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比，深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时，大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题，其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型，最后对目标检测算法中待解决的问题和未来研究方向做出展望.

随着大规模集成电路器件复杂度与容量的不断提升，现场可编程门阵列（Field Programmable Gate Array, FPGA）以高度的并行、可定制和可重构的特性得到了广泛的关注与应用. 在制约FPGA发展的众多因素中，最为关键的便是电子设计自动化（Electronic Design Automation, EDA）技术，作为FPGA EDA流程中的关键环节，布局和布线技术的研究对于FPGA的重要性不言而喻. 本文综述了面向FPGA的布局和布线技术，包括基于划分的布局、基于启发式的布局、基于解析式的布局、FPGA串行布线和FPGA并行布线等技术，分析对比了不同技术方法的优缺点，在此基础上，本文还展望了未来FPGA布局和布线技术的发展趋势，将为FPGA未来健康可持续的发展提供有力支撑.

显著性目标检测旨在对图像中最显著的对象进行检测和分割，是计算机视觉任务中重要的预处理步骤之一，且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述，从检测粒度的角度出发，综述了将深度学习引入显著性目标检测领域之后的研究成果.首先，从三个方面对显著性目标检测方法进行了论述：稀疏检测方法，密集检测方法以及弱监督学习下的显著性目标检测方法.然后，简要介绍了用于显著性目标检测研究的主流数据集和常用性能评价指标，并对各类主流模型在三个使用最广泛的数据集上进行了性能比较分析.最后，本文分析了显著性目标检测领域目前存在的问题，并对今后可能的研究趋势进行了展望.

由于多智能体所处环境动态变化，并且单个智能体的决策也会影响其他智能体，这使得单智能体深度强化学习算法难以在多智能体环境中保持稳定. 为了适应多智能体环境，本文利用集中训练和分散执行框架Cen?tralized Training with Decentralized Execution(CTDE)，对单智能体深度强化学习算法Soft Actor?Critic(SAC)进行了改进，引入智能体通信机制，构建Multi?Agent Soft Actor?Critic(MASAC)算法. MASAC中智能体共享观察信息和历史经验，有效减少了环境不稳定性对算法造成的影响.最后，本文在协同以及协同竞争混合的任务中，对MASAC算法性能进行了实验分析，结果表明MASAC相对于SAC在多智能体环境中具有更好的稳定性.

行人轨迹预测是视频监控的重要组成部分，因现有方法未充分利用场景特征信息造成其预测轨迹不符合生活常识，导致行人轨迹预测精度较低出现明显偏离真实轨迹的情况.针对上述不足本文提出一种基于Transformer动态场景信息生成对抗网络（Generative Adversarial Network，GAN）的行人轨迹预测方法.该方法利用动态场景特征提取模块的卷积神经网络（Convolutional Neural Networks，CNN）模型对目标行人的动态场景信息进行特征提取，同时生成器网络中的编码器利用Transformer对行人的社会交互信息特征以及轨迹信息特征进行建模.在ETH和UCY数据集上的实验结果表明，与Social GAN模型相比，本文方法在多个场景下的平均位移误差准确率提高了25.61%，最终位移误差准确率提高了38.44%.

基于视频数据的深度预测学习（以下简称“深度预测学习”）属于深度学习、计算机视觉和强化学习的交叉融合研究方向，是气象预报、自动驾驶、机器人视觉控制等场景下智能预测与决策系统的关键组成部分，在近年来成为机器学习的热点研究领域.深度预测学习遵从自监督学习范式，从无标签的视频数据中挖掘自身的监督信息，学习其潜在的时空模式表达.本文对基于深度学习的视频预测现有研究成果进行了详细综述.首先，归纳了深度预测学习的研究范畴和交叉应用领域.其次，总结了视频预测研究中常用的数据集和评价指标.而后，从基于观测空间的视频预测、基于状态空间的视频预测、有模型的视觉决策三个角度，分类对比了当前主流的深度预测学习模型.最后，本文分析了深度预测学习领域的热点问题，并对研究趋势进行了展望.

构建空天地一体化信息网络是第六代通信系统（the Sixth Generation，6G）的重要目标，无线光通信相较于射频（Radio Frequency，RF）通信技术具有容量大、速率高、抗干扰能力强等优势，已成为建立全球无缝覆盖空间网络的重要技术.本文综述了基于自由空间光通信（Free Space Optical Communication，FSOC）的空天地一体化网络国内外建设及相关标准化现状，相较于现有综述文献，涵盖了更多最新研究工作，并针对物理层和上层指出一体化FSOC网络设计需要关注的重要因素，对大气信道建模、“捕获、瞄准和跟踪”（Acquisition Pointing and Tracking，APT）、拓扑控制、路由、资源分配、可靠传输协议、微波协作传输几种重要通信技术进行总结和分析，并指出其未来发展趋势和面临的挑战.

图像描述旨在通过提取图像的特征输入到语言生成模型中最后输出图像对应的描述，来解决人工智能中自然语言处理与计算机视觉的交叉领域问题——智能图像理解.现对2015—2020年间图像描述方向有代表性的论文进行汇总与分析，以不同核心技术作为分类标准将图像描述大致划分为基于Encoder-Decoder框架的图像描述、基于注意力机制的图像描述、基于强化学习的图像描述、基于生成对抗网络的图像描述和基于新融合数据集的图像描述五大类.使用NIC、Hard-Attention和Neural Talk三个模型在真实数据集MS-COCO数据集上进行实验，并从BLEU1、BLEU2、BLEU3、BLEU4四处平均评分对比分析，展示三个模型效果.本文点明了未来图像描述的发展趋势，并指出了图像描述将要面临的挑战和可深入挖掘的研究方向.

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.

伴随信息社会向网络化、泛在化、智能化持续发展，现有地面通信网络已经无法支持日益增长的宽带业务需求、泛在海量的物联接入需求、隐蔽可靠的安全传输需求.未来通信网络要求在全球范围内实现既纵深宽广又细致入微的全方位无线接入，其进一步演进亟需突破包括网络架构和空口技术等在内的底层技术.相比于地面通信网络，空天通信网络不受地形的限制，可实现包括海洋、森林、边远地区等的立体全覆盖，可在多维度多层次尺度实现全空间范围内的信息交互，将成为满足海量异构用户泛在连接需求的关键使能技术.本文综述了空天通信网络的关键技术，首先给出了空天通信网络现有系统及未来智慧社会业务的多元化应用场景，然后从空-天-地三网、物理-网络-应用三层、有效传输-资源管理-安全防护三域出发，给出了一种空天通信网络的整体架构.本文随后从组网与接入、物理层以及资源管理与切换等角度出发分别总结了关键技术.最后，本文指出了未来空天通信网络的技术发展挑战和趋势.

作为众多医学图像处理的前提和关键，医学图像关键点检测具有重要的理论研究和应用价值.由于个体间差异性和个体内歧义性的影响，以及更高的临床应用定位精度的要求，医学解剖关键点检测面临着巨大的挑战.鉴于深度学习技术在医学图像关键点检测乃至整个医学图像处理领域都表现出了强大的实力，本文全面检索发表于顶级医学期刊和会议论文集中的医学图像关键点研究成果并进行了详细的梳理和综述.从计算机视觉任务角度简述医学图像关键点检测及其存在的难点；总结了深度学习技术在医学图像关键点检测中的基本框架，详细论述了医学图像关键点检测的分类问题和回归分析两种不同类型的解决思路；最后探讨了医学图像关键点检测深度学习方法面临的挑战、主要应对策略和开放的研究方向.

全参考图像质量评价(Full Reference Image Quality Assessment, FR-IQA)是IQA领域广为研究的类型之一.本文回顾了FR-IQA的发展历程，对FR-IQA应用现状和通用FR-IQA问题的构建进行综述，以及对FR-IQA算法进行总结和梳理.并在此基础上，重点分析了现有研究中存在的问题，包括问题构建的合理性、建模的全面性问题、知识驱动与数据驱动结合的问题等.基于对主观评价过程的深入分析，结合现有研究存在的问题，探讨了主观评分采用模糊建模和知识与数据联合驱动构建算法两个可能的研究方向，以期对后续的研究者提供参考.

近年来，群体智能作为一项多学科融合的新技术在各领域的研究成果斐然，例如共享出行、蜂群无人机系统、水下多智能体平台等，但与水下场景结合的群体智能技术缺乏系统的归纳，有必要对水下群体智能技术的发展现状和趋势进行讨论和分析.本文对群体智能理论进行了详尽的分析，给出了群体智能的完整概念、具体算法以及应用领域.文中指出，为解决海洋复杂环境对探测、通信等造成的一系列困难，需要将群体智能技术应用于水下场景.本文就国内外水下群体智能技术的研究现状进行了总结，对水下群体智能存在的环境复杂、通信受限、信息获取困难、系统能力不足以及能量供应受限的难点进行了评述.针对这些难点，本文对结合群体智能理论的时变环境感知技术、传感网络设计、协同导航定位技术、路径规划技术、水下编队控制以及分布式自主决策技术进行了分析，并在文末给出水下群体智能技术未来在跨域通信、多平台异构、自主作业能力革新方面的发展趋势和展望.

传统雷达系统的发射机与接收机采用开环工作模式，在动态复杂环境下探测目标时缺乏灵活性和稳健性.借鉴生物认知学习过程，认知雷达可以感知动态环境和目标信息，通过发射和接收端闭环反馈控制，实现全自适应探测和信号处理.本文介绍了认知雷达波形优化的基本框架，递进地梳理了面向检测、跟踪、成像、分类任务以及抗干扰认知波形优化的主要研究内容和研究进展，为面向单一任务及联合多任务的波形优化技术研究提供了纵向和横向的对比视角.在已有研究的基础上，本文分析了认知雷达波形优化的优势和挑战，指出认知波形优化技术中潜在的研究方向，包括知识有效性评价、人工智能认知波形优化、通用度量准则、知识辅助的高效优化算法等方面.

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.

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.

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.

光场相机利用二维影像同时记录空间中光线的位置和方向信息，能够恢复相机内部的光场，为三维重建提供了新的解决思路.围绕光场相机的三维重建问题，本文综述了光场数据获取手段，梳理和讨论了针对光场相机的标定算法，总结和分析了基于光场影像的三维深度信息恢复方法.在此基础上，介绍了当前主要的公开光场数据和算法.最后，展望了未来的研究方向，以期为后续研究者提供参考.

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.

异常检测对电力行业的发展有着重要的影响，如何根据大规模电力数据进行异常检测是重要的研究热点.目前，大多数研究通过聚类或神经网络进行异常检测. 但是这些方法忽略了时序数据之间潜在的关联关系及某些特点的重要信息，没有充分挖掘出数据的潜在价值. 因此，提出了一种基于图注意力和Transformer的异常检测模型. 该模型首先根据数据中台中获取的电力数据（主要包括用户ID、电能表ID、用户类型、电流、电压、功率等数据）构建一个异构信息网络；然后，为了减少模型参数和避免出现过拟合的现象，在图卷积网络（Graph Convolutional Network，GCN）模型的基础上，引入非负矩阵分解（Non-Negative Matrix Factorization，NNMF）的方法来进行相似性学习；最后采用图注意力网络（Graph Attention Network，GAT）和Transformer共同捕获数据间的相互关联关系，从而提高检测精度. 以中国某地区的电力数据为基础进行验证， 实验结果表明所提出的方法可以有效进行异常检测.

地图匹配是许多位置服务与轨迹挖掘应用的基础.随着定位技术和位置服务应用的发展，地图匹配研究不断演进，从早期基于高采样率GPS(Global Position System)的实时匹配，到近期基于低采样率GPS轨迹的离线匹配、再到当前非GPS定位数据或高精度地图匹配。迄今已有许多地图匹配算法相继提出，但鲜有研究对这些算法进行全面总结.为此，对近十年提出的地图匹配算法进行调研，归纳出地图匹配算法的统一框架及常用时空特征.从模型或实现技术角度分类发现：现有算法大都采用HMM(Hidden Markov Model)模型，其次是最大权重模型；深度学习技术近期开始用于地图匹配，将是未来高精度地图匹配研究的趋势.

为了提高分析信号的信噪比，本文提出了一种基于变分模态分解的变步长归一化最小均方自适应滤波降噪方法.该方法对原信号进行变分模态分解并区分信号分量和噪声分量，再对噪声分量进行间隙阈值降噪处理并将其作为参考信号输入自适应滤波器，通过自适应算法迭代处理得到降噪后的信号分量，并通过重构算法得到最终降噪后的信号.本文还在变分模态分解的基础上使用小波阈值降噪和间隙阈值降噪方法按不同方案进行降噪处理并得到最佳算法，将其与所提算法进行对比.实验结果表明，本文所提自适应滤波降噪方法的降噪效果比阈值降噪最佳方法效果更好.

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.

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.

车辆路径作为经典的组合优化问题一直是研究的热点与难点，无论是在应急管理工作还是物流配送中，对它的合理规划都至关重要.为了今后更好地开展相关工作，本文回顾了精确算法、启发式算法和机器学习算法在车辆路径优化问题中的研究进展，并基于Solomon标准数据集对六种经典算法的求解性能进行了比较分析；分别从局部最优和收敛速度间的平衡关系、个体评价函数、动态车辆路径问题以及机器学习算法在车辆路径问题中的应用等四个方面对其发展趋势进行了展望.

微波光子学是一门研究光与微波相互作用的新型交叉学科，旨在利用现代光学技术实现高频宽带微波信号产生、传输、处理和测量.其中，微波光子传感是微波光子学一个重要的研究领域，它采用光学传感器实现温度、应变、压力等传感参量光域感知，基于微波光子技术实现光域传感信息到微波域的线性映射和转换，结合微波信号处理技术实现传感信号解调，具有传感精度高、测量速度快等显著优势.本文系统性地回顾了微波光子传感技术最新研究进展，介绍了各类微波光子传感技术的基本工作原理，并展望了未来的研究方向和发展趋势.

为了解决语音识别模型在识别中文语音时鲁棒性差，缺少语言建模能力而无法有效区分同音字或近音字的不足，本文提出了融合语言模型的端到端中文语音识别算法.算法建立了一个基于深度全序列卷积神经网络和联结时序分类的从语音到拼音的语音识别声学模型，并借鉴Transformer的编码模型，构建了从拼音到汉字的语言模型，之后通过设计语音帧分解模型将声学模型的输出和语言模型的输入相连接，克服了语言模型误差梯度无法传递给声学模型的难点，实现了声学模型和语言模型的联合训练.为验证本文方法，在实际数据集上进行了测试.实验结果表明，语言模型的引入将算法的字错误率降低了21%，端到端的联合训练算法起到了关键作用，其对算法的影响达到了43%.和已有5种主流算法进行比较的结果表明本文方法的误差明显低于其他5种对比模型，与结果最好的DeepSpeech2模型相比字错误率降低了28%.

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.

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.

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.

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.

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像中飞机目标散射点离散化程度高，周围背景干扰复杂，现有算法对飞机浅层语义特征表征能力弱等问题，本文提出了基于注意力特征融合网络（Attention Feature Fusion Network，AFFN）的SAR 图像飞机目标检测算法.通过引入瓶颈注意力模块（Bottleneck Attention Module，BAM），本文在AFFN中构建了包含注意力双向特征融合模块（Attention Bidirectional Feature Fusion Module，ABFFM）与注意力传输连接模块（Attention Transfer Connection Block，ATCB）的注意力特征融合策略并合理优化了网络结构，提升了算法对飞机离散化散射点浅层语义特征的提取与判别.基于自建的Gaofen-3 与TerraSAR-X 卫星图像混合飞机目标实测数据集，实验对AFFN与基于深度学习的通用目标检测以及SAR图像特定目标检测算法进行了比较，其结果验证了AFFN对SAR图像飞机目标检测的准确性与高效性.

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.

为了平衡粒子群算法多样性与收敛速度，本文在Memetic框架下结合多属性决策，提出基于直觉模糊Memetic双种群混合优化算法.算法采用探索与开发分布式策略，在探索阶段，设计了社会强化算子和碰撞反弹算子提升种群多样性与勘探更多新区域；通过建立直觉模糊多属性决策对探索区域综合评估并生成可能存在的全局最优解区域，进而指导具有拉马克学习的开发种群进行局部精细搜索，实现不同策略下种群间的分布式协作与计算资源的合理分配.通过与其它5种新型进化算法在23个基准函数测试结果中体现出本算法具有更好的综合优化能力.

目前，区块链隐蔽通信的研究主要是通过发起多笔交易来传输一条短消息，这一方式不仅不适用于敏感数据量大的情况，还可能存在有些交易没有被打包而造成秘密信息的丢失，而且传输过程没有隐藏发送方身份.部分区块链隐蔽通信的研究中使用的图像隐写术虽然具有嵌入率高这一优点，但是越来越难以抵御基于统计特征的检测分析.针对以上问题，本文提出一种可隐藏敏感文档和发送者身份的区块链隐蔽通信模型.首先发送方使用密文策略的属性基加密（Ciphertext-Policy Attribute-Based Encryption，CP-ABE）对敏感文档进行加密，得到加密文档后将其上传至星际文件系统（Inter Planetary File System，IPFS）；然后发送方利用基于生成式对抗网络（Generative Adversarial Networks，GAN）的图像隐写术将加密文档的哈希值嵌入载体图像中，得到载密图像后将其上传至IPFS；接着发送方创建一笔含有载密图像的哈希值的交易，交易经环签名之后广播到区块链网络中进行验证打包上链；之后，接收方从交易中读取载密图像的哈希值并通过上述步骤的逆过程得到加密文档；最后接收方根据CP-ABE设置的访问控制策略解密加密文档得到敏感文档.实验结果表明，该模型在传输秘密信息量上从KB提升至MB，而且具有较高的隐蔽性和安全性.

行人重识别旨在跨监控设备下检索出特定的行人目标. 为捕捉行人图像的多粒度特征进而提高识别精度，基于OSNet基准网络提出一种多粒度特征融合网络(Multi-granularity Feature Fusion Network for Person Re-Identi-fication, MFN)进行端对端的学习. MFN由全局分支、特征擦除分支和局部分支组成，其中特征擦除分支由双通道注意力擦除模型构成，此模型包含通道注意力擦除模块(Channel Attention-based Dropout Moudle, CDM)和空间注意力擦除模块(Spatial Attention-based Dropout Moudle, SDM). CDM对通道的注意力强度排序并擦除低注意力通道，SDM在空间维度上以一定概率擦除最具有判别力的特征，两者通过并联方式相互作用，提高模型的识别能力. 全局分支采用特征金字塔结构提取多尺度特征，局部分支将特征均匀切块后级联成一个单一特征，提取关键局部信息. 大量实验结果表明了本文方法的有效性，在Market1501、DukeMTMC-reID和CUHK03-Labeled(Detected)数据集上，mAP/Rank-1分别达到了90.1%/95.8%、81.8%/91.4%和80.7%/82.3%(78.7%/81.6%)，大幅优于其他现有方法.