针对低信噪比条件下，现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题，提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先，利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像；然后，根据应用场景特点，选择卷积神经网络（Convolutional Neural Networks, CNN）“压缩”范围；最后，构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明，在同等体量的设计下，与当前较为常用的标准CNN以及ResNet模型相比，所提模型能够降低信号识别运行时间约88%，在信噪比为−14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法，具有潜在的工程应用前景。

以色散偏振光谱检测技术为背景, 着重研究了乳化油颗粒的偏振光学特性及米散射物理模型, 构建了色散偏振度光谱检测系统。 在400~700 nm波长范围内, 分别对四种样品进行了301个波段的光谱反射率采集。 结合贝塞尔函数和汉克尔函数, 推导出了入射光波长与散射光偏振振幅矢量的关系, 提取了一个新的特征参数: 色散偏振度(DODP)。 在暗室条件下, 对乳化油样品ND18和ND75进行测量, 利用色散偏振公式计算出了样品在各测量波长处的偏振度值, 验证了基于DODP值检测乳化油的可行性。 研究发现, 虽然米散射的解是由单个球体的衍射推导而来, 但是只要它们的直径和组成相同, 且彼此之间的距离比波长大, 也同样可以用于任意数量的球的衍射。 在这种情况下, 被不同球体散射的光之间没有相干的相位关系, 总散射能量等于被一个球体散射的能量乘以它们的整数。 当观测平面与入射波电矢量振动方向之间的夹角ϕ=0或者ϕ=π/2时, 散射光分量Eθ(s)或者Eϕ(s)消失。 由于ND18的粒径比ND75的粒径小, 所以ND18的前向散射波瓣较大, 前向散射与后向散射的比值较小。 在相同光照条件下, ND75的多次散射现象要比ND18严重。 根据路径相关矩阵的理论, 多次散射容易引起退偏振, 二次辐射波会在角域内扩散和分布。 因此, 被测乳化油表面产生的散射次数与入射光能的阻尼能力成正比。 由于乳化油表面入射光的能量耗散存在差异, 因此能量耗散率与入射波矢量方向的前向散射振幅的分量成正比, 且乳化油的偏振散射程度不同于入射光的偏振散射程度。 实验结果表明, DODP可以反映出乳化油由多次色散引起的去偏振能力。 由于模拟光源是自然光, 所以计算散射光的偏振参数非常方便, 可以大大缩短数据处理时间, 减小实验误差。 DODP不仅能够识别海水中的乳化油, 而且能够区分不同浓度的污染物, 准确识别出乳化油的边缘扩散。