当前光子神经网络的研究主要集中在单一模态网络的性能提升上，而缺少对多模态信息处理的研究。与单一模态网络相比，多模态学习可以利用不同模态信息之间的互补性，因此，多模态学习可以使得模型学习到的表示更加完备。本文提出了将光子神经网络和多模态融合技术相结合的方法。首先，利用光子卷积神经网络和光子人工神经网络相结合构建异构光子神经网络，并通过异构光子神经网络处理多模态数据。其次，在融合阶段通过引入注意力机制提升融合效果，最终提高任务分类的准确率。在多模态手写数字数据集分类任务上，使用拼接方法融合的异构光子神经网络的分类准确率为95.75%；引入注意力机制融合的异构光子神经网络的分类准确率为98.31%，并且优于当前众多先进单一模态的光子神经网络。结果显示：与电子异构神经网络相比，该模型训练速度提升了1.7倍。与单一模态的光子神经网络模型相比，异构光子神经网络可以使得模型学习到的表示更加完备，从而有效地提高多模态手写数字数据集分类的准确率。

无人机图像目标检测在诸多领域被广泛应用，但受制于图像背景复杂、目标密集，目标尺度变化剧烈，现有的无人机图像目标检测算法检测效果不够精准。为解决此类问题，提出了一种联合自注意力和分支采样的无人机图像目标检测方法。首先，设计了自注意力和卷积相融合的嵌套残差结构以实现全局信息和局部信息的有效结合，让模型聚焦于待测目标，从而淡化复杂背景的影响。其次，设计了一种基于分支采样的特征融合模块以弥补目标信息丢失。最后，引入浅层细粒度特征图，新增了针对微小目标的改进检测头以缓解尺度剧烈变化，并基于此提出一种特征增强模块，用于捕获更多具有鉴别性的小目标特征。经实验验证，本文所提算法在多种场景中性能良好。其中s模型在VisDrone2019数据集上的mAP₅₀和mAP分别达到59.3%和37.1%，相较于基线模型增长了5.6%和5.4%，在UAVDT数据集上的mAP₅₀和mAP分别达到44.1%和24.9%，相较于基线模型提高了5.8%和3.2%。