自动目标识别(ATR)技术一直是**领域中急需解决的重点和难点。本文设计并实现了一种新的面向**目标识别应用的 DRFCN深度网络。首先, 在 DRPN部分通过卷积模块稠密连接的方式, 复用深度网络模型中每一层的特征, 实现高质量的目标采样区域的提取; 其次, 在 DFCN部分通过融合高低层次特征图语义特征信息, 实现采样区域目标类别和位置信息的预测; 最后, 给出了 DRFCN深度网络模型结构以及参数训练方法。与此同时, 进一步对 DRFCN算法开展了实验分析与讨论: 1) 基于 PASCAL VOC数据集进行对比实验, 结果表明, 由于采用卷积模块稠密连接的方法, 在目标识别平均准确率、实时性和深度网络模型大小方面, DRFCN算法均明显优于已有基于深度学习的目标识别算法; 同时, 验证了 DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。 2) 利用自建**目标数据集进行实验, 结果表明, DRFCN算法在准确率和实时性上满足**目标识别任务。

提出一种利用马赫曾德尔(MZ)电光调制器(EOM)产生多波长光源的方案。深入分析了EOM在单频微波信号调制下的扩频特性，仿真了其频域产生光边带的情况，得出在调制度C=1.84时可实现等频率间隔、边模抑制比(SMSR)为15 dB的五阶等幅光频梳(OFC)输出的结论。并提出一种基于虚拟仪器及微扰谐波响应的闭环反馈工作点控制方案，可自动锁定EOM的工作点于传输曲线上任意点。应用该控制方案实现了稳定的五阶等幅光频梳输出，1 h内输出功率的漂移小于其平均值的0.3%，光频梳平坦度小于0.4 dB，中心五阶光边带功率起伏的标准差小于0.15 dB/h。

为实现马赫曾德尔(MZ)电光强度调制器(EOIM)工作点的实时控制，提出一种基于虚拟仪器技术的工作点自动控制方案。采用闭环反馈控制系统，引入微扰动信号，通过“扫描—鉴相补偿”的方法,可以使自动控制工作点长时间锁定于传输曲线的最低点。当激光器输出功率为6 mW，控制EOIM在1 h内稳定于最低点，实验测得EOIM输出平均光功率1.198 μW，标准差0.123 μW，波动小于0.43 μW；在EOIM最低点外加电脉冲信号进行调制时，产生消光比均值达25.71 dB的光脉冲。输出脉冲消光比与未加控制时相比提高9.94 dB，波动小于0.5 dB，大大提高了MZ电光调制器的工作稳定性。