针对无人机视角下航拍图像小目标多且检测困难的问题，提出了一个位置敏感Transformer目标检测（PS-TOD）模型。设计了一个基于位置通道嵌入三维注意力（PCE3DA）的多尺度特征融合（MSFF）模块，即PCE3DA利用空间与通道信息的相互依赖关系生成三维注意力，用于加强模型对兴趣区域的特征表达能力，且基于它构造了一个自底向上的跨层MSFF方案，使得融合后的特征语义信息更加丰富；然后，设计了一种新的位置敏感自注意力（PSSA）机制，且以此构造位置敏感Transformer编-解码器，使模型在捕获图像全局上下文信息的长期依赖关系时，也可提高模型对目标的位置敏感能力。基于无人机航拍数据集VisDrone的对比实验结果表明，提出模型的AP达到28.8%，与基线模型（DETR）相比提高了4.1%。该模型在复杂背景下能对无人机航拍图像进行精确的目标检测，且改善小目标的检测效果。

由于卷积操作的局限性，现有的皮肤病变图像分割网络无法对图像中的全局上下文信息建模，导致其无法有效捕获图像的目标结构信息，本文设计了一个融入交叉自注意力编码的U型混合网络，用于皮肤病变图像分割。首先，将设计的多头门控位置交叉自注意力编码器引入到U型网络的最后两个层级中，使其能够在图像中学习语义信息的长期依赖关系，弥补卷积操作全局建模能力的不足；其次，在跳跃连接部分引入一个新的位置通道注意力机制，用于编码融合特征的通道信息并保留位置信息，提高网络捕获目标结构的能力；最后，设计一个正则化Dice损失函数，使网络能够在假阳性和假阴性之间权衡，提高网络的分割结果。基于ISBI2017和ISIC2018数据集的对比实验结果表明，本文网络的Dice分别为91.48%和91.30%，IoU分别为84.42%和84.12%，分割精度在整体上优于其他网络，且具有较低的参数量和计算复杂度，即本文网络能够高效地分割皮肤病变图像的目标区域，可为皮肤疾病辅助诊断提供帮助。

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。

卷积神经网络（Convolutional Neural Network， CNN）可用于工业生产环境下的纺织品疵点的鉴别与分类。针对实际场景下的纺织品瑕疵存在瑕疵类型视觉区分度小和实际数据样本采集时的瑕疵类别不平衡问题，本文提出了基于标签嵌入方法的纺织品瑕疵识别网络（Textile Defect Recognition Network Based on Label Embedding， TDRNet）。首先，算法调整了基础骨干网络的结构，从而提高模型的分类精度；接着算法还设计了标签嵌入模块（Label Embedded Module， LEM），并使用该模块来生成模型的类别权重偏移；然后，本文提出了分布感知损失函数（Distribution Perception Loss， DP Loss）调整算法的类别分布，从而减小同类瑕疵特征的类内距并增大异类瑕疵特征的类间距；最后，本文引入了Seesaw Loss损失函数，通过抑制少数类别的负样本梯度并提高对误分类时的样本损失来动态平衡模型训练过程中在不同样本下的更新梯度，以缓解少数类别的误分类率。在自制的“广东智能制造”布匹瑕疵分类数据集中，本文提出的框架在粗粒度分类和细粒度分类两个任务上的top1错误率可达16.35%和17.12%，而top5错误率在细粒度分类任务上低至5.20%。与其他分类模型相比，TDRNet在对比实验中取得了最优的结果。此外，TDRNet与近5年经典的细粒度分类模型进行了比较，并取得了SOTA结果，这充分表明了TDRNet的先进性。

针对复杂场景中交通标志尺度变化大导致识别精度低的问题，提出了一种改进的YOLOv4算法。首先，设计了一个注意力驱动的尺度感知特征提取模块，通过构建类似残差结构的分层连接方式，增加每层的感受野范围，以获得更具细粒度的多尺度特征，并在注意力驱动下生成一对具有方向感知与位置敏感的注意力图，使网络能聚焦于更具鉴别力的关键区域；然后，构建一个特征对齐的金字塔卷积特征融合模块，即通过卷积计算相邻尺度特征图间的特征偏移量进行特征对齐；最后，通过金字塔卷积的方式使网络自适应学习最优的特征融合模式，并构建特征金字塔用于识别不同尺度的交通标志。实验结果表明，在TT100K数据集上改进算法比原YOLOv4算法的识别精度提高了5.4%，且优于其他对比识别算法，FPS达到33.17，可满足道路交通标志识别的精确性、实时性等要求。

钇铁石榴石(Y₃Fe₅O₁₂, YIG)晶体具有优异的磁学和磁光性质, 在微波和磁光器件中有着广泛的应用。目前商用的磁光材料是采用液相外延技术在Gd₃Ga₅O₁₂(GGG)衬底上沉积的YIG单晶薄膜。本研究以无铅B₂O₃-BaF₂为复合助熔剂, 采用顶部籽晶法技术(TSSG)生长YIG单晶材料, YIG晶体尺寸和重量分别可达43 mm×46 mm×11 mm和60 g。该晶体具有较窄的铁磁共振线宽(0.679 Oe)、高透明度(75%)和法拉第旋转角(200 (°)·cm^-1@1310 nm, 160 (°)·cm^-1@1550 nm)等优异的综合性能, 是微波和磁光器件的良好候选材料。更为重要的是, 这种生长技术非常适合大尺寸YIG单晶或稀土掺杂YIG单晶, 结合定向籽晶生长和提升工艺, 可以显著降低生产成本。

氮磷是引起湖泊富营养化的关键限制因子, 对于水体和底泥中各形态氮磷的分布特征和源解析的研究能有效地揭示水体富营养化的过程与机制并分析其污染来源。 白洋淀作为雄安新区最重要的水源之一, 其水体富营养化状况严重, 氮磷污染不容乐观。 对于各形态氮磷含量分布特征及源解析的研究有助于全面分析该地区氮磷污染状况及污染来源, 而目前同时研究底泥和水体两种介质各形态氮磷的分布规律, 并利用模型定量分析各污染源对于各形态氮磷贡献的研究较少。 利用分光光度法研究白洋淀水体和底泥两种介质各形态氮磷分布特征, 利用主成分分析法综合评估白洋淀各区域氮磷综合污染状况, 基于绝对主成分得分-多元线性回归(APCS-MLR)模型分析不同污染源对于各形态氮磷的贡献量。 研究结果表明, 白洋淀水体中总氮(TN)含量(1.41~4.64 mg·L^-1)严重超标, 均为重富营养化; 水体中总磷(TP)含量(0.043~0.273 mg·L^-1)污染也相对严重, 95.8%的采样点为Ⅳ类及以上水质。 水体中可被藻类和植物直接吸收利用的氨氮($NH_{4}^{+}-N$)和硝态氮($NO_{3}^{-}-N$)总占比达到54.9%; 另外, 对水体富营养化贡献大的溶解性无机磷(DIP)和溶解性有机磷(DOP)两种磷形态总占比达到52.8%。 水体氮磷总量和形态的分布规律表明: 白洋淀的水体富营养化状况不容乐观, 对水体富营养化影响大的各形态氮磷占比大, 其中白洋淀景区和淀边缘区污染相对严重。 底泥生物可利用性氮(EN和HCl-N之和)占TN的比例为17.9%~66.4%, 生物可利用性磷(BAP)的含量占TP的比例为8.50%~28.0%。 以上结果表明, 白洋淀底泥存在较大氮磷释放风险。 主成分分析结果表明, 白洋淀景区相较于其他区域氮磷污染严重。 APCS-MLR模型分析结果表明生活源污染对于各形态氮磷(尤其底泥中)的贡献量大, 农业污染、 动植物残体分解、 养殖业对各形态氮磷含量也有较大贡献。