为了解决三自由度压电驱动纳米偏摆台中的多轴耦合与迟滞问题，设计了一种可以同时表征多个压电驱动器间耦合效应及其自身迟滞效应的耦合迟滞模型，并利用其逆模型进行前馈补偿以提升平台的定位和轨迹跟踪精度。首先，搭建了三自由度压电驱动偏摆台的控制系统并建立其运动学模型，将末端平台三自由度运动转化为三个压电驱动器的输出。然后，建立基于Prandtl-Ishlinskii模型的耦合迟滞模型，并对该模型及其逆模型的参数进行辨识。最后，通过开环逆模型前馈补偿来验证模型的有效性，并利用结合逆模型前馈和反馈的复合控制方法进行轨迹跟踪控制。实验结果表明：逆模型开环前馈补偿使三个压电驱动器间最大耦合位移均降低了70%以上，证明了所建立耦合迟滞模型的有效性，结合闭环反馈的复合控制方法对空间轨迹进行跟踪的最大均方根误差仅为0.06 mrad和0.42 μm，相比单纯闭环反馈分别减少了72%和87.5%，最大误差也减少了76%以上，有效消除了平台中耦合迟滞的影响，提高了平台的定位精度。

视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要，但该病灶尺寸相对较小，属于眼底图像中的微小目标，现有的微动脉瘤检测算法难以实现该病灶的精准检测，为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上，首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用；然后，通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差；最后，通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化，从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题，进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测，将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试，并与其他方法进行对比。实验结果表明，与其他各种结构的Faster-RCNN网络模型相比，所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果（F-score与原始Faster-RCNN相比提升了9.36%）；与其他网络模型以及方法相比，所提出的基于多特征尺度融合的改进Faster-RCNN的自动检测精度明显更优。故所提出的基于多特征尺度融合的改进Faster-RCNN算法性能较优，能准确、有效地检测出眼底图像中的微动脉瘤。