目标边缘增强上转换探测是一种通过非线性光学手段将红外（或太赫兹等）长波目标图像“上转换”到可见光波段的同时，强化目标图像几何边缘特征的新型上转换探测技术。基于准相位匹配的近红外上转换系统，理论结合实验进一步深入研究了泵浦空间复振幅结构对上转换目标图像特征的影响。通过比对研究定量分析了振幅带通滤波与螺旋相衬对目标图像边缘特征的增强效果，以及各自量子效率的差异。基于研究结论，针对几种典型场景给出了若干可实施的应用建议。

矢量光场独特的空间模式及偏振分布使其成为目前研究的热点问题，模间相位的变化直接影响矢量光场的偏振分布，使其在测量及传感领域具有巨大的应用潜力。提出并实验论证了一种由矢量光场注入的单频激光干涉仪技术：首先将臂间微小位移映射为矢量传感光场的模间相位变化，然后通过空间偏振层析实时监测、解算光场矢量模态，进而可在任意相位变化区间（含相位不敏感区域）实现标准量子或海森堡（注入N00N态时）极限的相位测量精度。

为分析口罩材质，建立口罩物证鉴别方法，试验用拉曼光谱仪检测107个口罩纤维样品，研究黑色、粉红色、蓝色染料对口罩纤维拉曼光谱的影响程度，基于主成分分析和相关性检验法对不同品牌、相同品牌不同批次的口罩进行区分，并实现未知品牌口罩的预测。研究表明，在拉曼特征峰相同的条件下，通过分析口罩纤维拉曼强度的差异和主成分得分图可快速找到与未知品牌相关性最强的口罩。在犯罪现场模拟试验中，未知品牌与相似品牌在主成分得分图中显示的距离最近，Pearson、Kendall Rank和Spearman 3种相关系数最大分别为0.932、0.799、0.942，据此找到了与未知品牌相似度较高的口罩。该方法缩小了物证搜查范围，可为公安办案寻找线索提供依据。

一次性口罩的分类识别在法庭科学物证鉴别中具有重要意义,因此,提出了一种基于拉曼光谱和机器学习的一次性口罩分类识别方法。首先,采集来自不同城市、不同厂家生产的37种一次性口罩样品的拉曼光谱数据。然后,利用Savitzky-Golay平滑和归一化算法对数据进行预处理,通过主成分分析法和拉曼光谱特征峰对照方法划分口罩类别。最后,构建了基于支持向量机(SVM)、贝叶斯判别分析和前反馈(BP)神经网络的一次性口罩分类识别模型。实验结果表明,SVM模型训练集和测试集的准确率分别为93.3%和100.0%,贝叶斯判别分析模型的训练集和测试集准确率均为100.0%,BP神经网络模型的训练集、验证集、测试集准确率分别为93.9%、60.0%、60.0%。因此,将贝叶斯判别分析模型作为口罩分类识别的最佳模型,为法庭科学技术的物证检验提供了一定的借鉴意义。

为了分析纸张灰烬的主要成分并判别纸张种类，实验将30种品牌的纸张制备成纸张灰烬，用X射线荧光光谱仪测量其主要成分，基于测量数据训练支持向量机（SVM）分类器，最终实现了纸张种类和品牌来源的判别。实验精确测量90组纸张灰烬的主要成分数据，按比例随机生成训练集和测试集；在MATLAB实验平台上，利用交互式检验法确定径向基核函数的最佳参数c、g，建立了支持向量机分类模型；研究了训练集测试集比例与测试准确率的关系，当训练集测试集比例为17∶1时，模型测试准确率可达100%；最后，用Pearson相关系数分析造成模型误判的原因。研究表明，支持向量机分类模型能有效实现样品分类，可用于测试纸张灰烬的种类和品牌来源，有益于法庭科学中相关问题的解决并且为公安民警在犯罪现场收集物证提供帮助。

中性笔油墨是司法鉴定中同一认定的重要物证。为提高油墨检验的准确性,本文利用拉曼光谱法对油墨样本进行无损检测。首先对预处理后的光谱数据进行降维处理,构建偏最小二乘判别分析模型;然后采用受试者工作特征曲线线下面积对预测效果进行验证,提取出36个变量投影重要性最高的特征变量;接着将特征变量作为数据输入到隐藏层神经元数目为13的多层感知器中,最终的训练正确率为87%且无过拟合现象。将变量投影重要性的特征提取与有监督的多层感知器训练相结合,可以有效压缩数据,缩短分析时间。感知器层间的连接权重可通过自主学习进行调节,提高了中性笔油墨分类结果的可信度与正确率。