利用介质阻挡放电低温等离子体技术对甲基红模拟染料废水进行降解研究，降解反应在同心管式反应器中进行。考察了放电功率、溶液初始浓度、初始pH、处理时间、气氛条件等单因素的改变对甲基红降解效果的影响，通过测定甲基红521 nm处的吸光度值、溶液pH及颜色变化，分析了甲基红降解历程，并推测了降解机理。研究结果表明：在本实验中，溶液在115 W低放电功率下的处理效果更好，由于处理效果受温度、湿度等影响，放电功率与处理效果间并不呈正相关关系；溶液的初始浓度越高，达到同样的降解效果所需的时间越长；相同条件下，模拟废水的初始pH越低，其处理后的降解效果越好，即酸性条件下更有利于甲基红断键降解。

从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题，学者们相继提出了传统和基于深度学习的压缩感知图像重建算法，传统算法通常基于优化模型迭代求解，重建质量和重建速度都无法保证；基于深度学习的算法重建质量相对较高，但缺乏物理可解释性。受滤波流的启发，本文提出了联合全局与局部的深度压缩感知图像重建模型（G2LNet），其以卷积层执行压缩采样以及初始重建过程，利用快速傅里叶卷积与滤波流，同时考虑了图像全局上下文信息和图像像素局部邻域信息，联合学习优化测量矩阵与滤波流，建立了完整的端到端可训练的深度图像压缩感知重建网络。经实验验证，在压缩感知图像重建领域常用的Set5，Set11，BSD68测试集上取得了良好的重建效果，在采样率为20%的情况下，G2LNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CSNet的平均PSNR分别提高了2.29 dB，0.51 dB，有效提升了重建图像质量。