基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时，系统需要重建原始场景，CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法——基于压缩感知和改进YOLO的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程，利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算，将高维图像信号投影到低维空间得到全图CS测量值。得到场景的测量值后，测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入SENet模块，利用改进后的主干网络来提取测量值的舰船特征信息；利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息，进而完成舰船的位置信息预测。其中，CS-IM-YOLO将卷积测量层和CS测量值舰船检测网络连接起来端对端训练，大大简化了算法的预处理过程。通过数据集HRSC2016评测算法性能，实验结果表明：CS-IM-YOLO对于SORS场景CS测量值舰船检测的检测精度为91.60%，召回率为87.59%，F1值为0.90，和AP值为94.13%。这充分表明该算法可以对SORS场景的CS测量值进行高质量的舰船检测。

多孔氮化硅陶瓷兼具有高气孔率和陶瓷的优异性能, 在吸声减震、过滤等领域具有非常广泛的应用。然而, 目前常规的制备方法如气压/常压烧结、反应烧结-重烧结以及碳热还原烧结存在烧结时间长、能耗高、设备要求高等不足, 导致多孔Si₃N₄陶瓷的制备成本居高不下。因此, 探索新的快速、低成本的制备方法具有重要意义。近年来, 采用自蔓延高温合成法直接制备多孔氮化硅陶瓷展现出巨大潜力, 其可以利用Si粉氮化的剧烈放热同时完成多孔氮化硅陶瓷的烧结。本文综述了自蔓延反应的引发以及所制备多孔氮化硅陶瓷的微观形貌、力学性能和可靠性。通过组分设计和工艺优化, 可以制备得到氮化完全、晶粒发育良好、力学性能与可靠性优异的多孔氮化硅陶瓷。此外还综述了自蔓延合成多孔Si₃N₄陶瓷晶界相性质与高温力学性能之间的关系, 最后展望了自蔓延高温合成多孔Si₃N₄陶瓷的发展方向。

Si₃N₄-BN-SiC复合材料以其良好的力学性能和抗氧化性能而具有良好的工程应用前景。本研究以Si、Si₃N₄稀释剂、B₄C和Y₂O₃为原料, 采用燃烧合成法成功制备了Si₃N₄-BN-SiC复合材料。通过Si、B₄C和N₂气之间的反应, 在Si₃N₄陶瓷中原位引入BN和SiC, 制备的Si₃N₄-BN-SiC复合材料由长棒状的β-Si₃N₄和空心球形复合材料组成。实验研究了空心球微结构的形成机理, 结果表明, 生成的SiC、BN颗粒及玻璃相覆盖在原料颗粒上, 当原料颗粒反应完全时, 形成空心球形微结构。并进一步研究了B₄C含量对Si₃N₄-BN-SiC复合材料力学性能的影响。原位引入SiC和BN在一定程度上可以提高复合材料的力学性能。当B₄C添加量为质量分数0~20%时, 获得了抗弯强度为28~144 MPa、断裂韧性为0.6~2.3 MPa·m ^1/2, 杨氏模量为17.4~54.5 GPa, 孔隙率为37.7%~51.8%的Si₃N₄-BN-SiC复合材料。

基于行车图像的目标检测方法为感知周围的道路环境提供了便宜、有效的解决方案，但同时也对检测效果和检测速度提出了较高要求。本文针对基于深度学习的一阶段目标检测算法YOLOv3展开研究，结合自注意力机制，在其网络深层结构中嵌入高斯掩码自注意力模块，缓解卷积操作感受野不足的缺陷，以捕捉更多的全局信息，提高算法的检测效果。实验结果表明，改进后的模型在MS COCO 2017数据集上训练结果的mAP@0.5达到56.88%，精度达到65.31%。与YOLOv3相比，mAP@0.5提高了2.56%，精度提高了3.53%。虽然检测速度有一些损失，但有效提高了模型的检测效果，能够更好地支撑辅助驾驶等应用。

针对辅助驾驶或自动驾驶领域车载图像的车辆压线检测问题，以及检测过程中由于欠曝、阴影或实体遮挡等因素导致的漏检、误检问题，提出基于改进Mask R-CNN与LaneNet的车辆压线检测算法。在网络优化方面，在Mask R-CNN网络的基础上将RoI Align层的图像缩放算法（双线性插值）改进为双三次插值，将全连接层卷积化的VGG16网络取代LaneNet的E-Net共享解码器；在图像增强方面，改进Gamma校正算法以实现欠曝图像的自动校正；在训练数据方面，完成Tusimple数据集中车辆目标的标注并基于改进的随机擦除算法在网络训练过程中进行数据增强。实验结果表明：车辆检测速度保持不变的同时车道线检测速度提升了28%，车辆漏检率、误检率分别降低了38.93%，89.04%，车道线漏检率、误检率分别降低了67.21%，87.05%，算法的性能指标可满足车辆压线判断的应用需求。