正面金属化是制备单晶硅太阳电池中的重要工艺步骤，栅线质量对电池的电学性能起着关键的作用。通过探究不同栅线处理工艺对栅线宽度的影响，发现烧结过程中栅线会向两侧崩塌，从而增加电极的遮光率，结合表征手段对这一过程进行了分析和机理阐释。在对浆料类型、网版开口宽度、网版图案以及烧结峰值温度的研究中，发现浆料中的有机物含量会影响栅线在烧结过程中的稳定性，而合适的网版开口及图案设计能降低遮光面积和栅线高度起伏，从而显著提升电池的电学性能，制得了最高转换效率为22.54%的单晶硅PERC电池。可以预见，通过优选浆料和网版，可以进一步改善单晶PERC电池的电学性能，获得更高的光电转换效率。

当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性,针对其联合检测效率不高的问题,提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中,两个卷积网络结构相同且权值共享,经过数次卷积提取各自独立的特征后,在卷积层根据最优权值对两个卷积网络进行融合;继续使用卷积核提取融合后的特征,最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法,在检测时间相近的情况下,双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。

针对当前彩色图像和深度图像(RGB-D)特征融合困难、联合识别效率不高的问题,提出了一种结合K奇异值分解(KSVD)和最大相关最小冗余准则(mRMR)的RGB-D场景图像融合算法。该算法首先采用KSVD稀疏图像的特征,将稀疏系数对应的字典原子作为特征融合的参数,以完整地表达图像的全部信息;之后采用互信息的mRMR原则求取维度最小且各维度之间相关性最小的特征原子组合;最后通过最大化原则融合特征原子对应的稀疏系数,从而完成了两种图像之间的有效信息融合。实验结果表明,该算法在信息熵、互信息和边缘保持度等方面比主成分分析-K奇异值分解和非下采样轮廓变换-K奇异值分解融合算法更有优势,有效提高了图像目标的识别准确率和成功率。

训练模型复杂且训练集庞大导致深度学习的发展受到严重阻碍。使用Google最新开源的TensorFlow软件平台搭建了用于视频目标跟踪的深度学习模型。介绍了深度学习的原理和TensorFlow的平台特性, 提出了使用TensorFlow软件平台设计的深度学习模型框架结构, 并使用VOT2015标准数据集中的数据设计了相应的实验。经实验验证, 该模型具有较高的计算效率和识别精度, 并可便捷地调整网络结构, 快速找到最优化模型, 很好地完成视频目标识别跟踪任务。

在现有光滑粒子流体动力学方法基础上，提出了结合差分方法处理激光辐照边界条件的方法，并利用此方法自编程序模拟计算了功率密度为5.0×109 W/cm2的强连续激光辐照铝靶时的热-力学效应，准确给出了与激光作用的边界粒子的分布和飞散情况，同时给出了不同时刻靶体的温度场，得到了温度分布规律，并对结果进行了分析。