为了实现高功率半导体激光器连续泵浦源输出，设计一种使用微通道热沉封装多个单管半导体激光器的堆叠结构。基于有限元分析，此结构可以通过辅助热沉和微通道内部圆柱翅片扩展单管半导体激光器的传热渠道，与传统凹槽微通道相比，热传导效果有所增强，优化提出斜翅片结构，控制水流速，调节流体流动从而产生混流效应，进一步改善微通道散热性能，对其封装下的多单管进行功率拟合，理论最大输出功率可达128.75 W，在微通道热沉所需制冷功耗较低的前提下，可以实现多单管半导体激光器连续工作模式下泵浦且满足其散热需求。

针对高通量荧光显微成像中高密度、低信噪比、亚衍射极限荧光斑点的自动化精准检测和定位问题，基于UNet提出一种轻量级神经网络方法。该方法采用挤压和激发通道层注意力机制和残差模块优化特征信息，构建密度图和偏移量多输出架构，直接执行检测和亚像素定位。在公开数据集和模拟数据集进行实验，所提方法对低信噪比和高密度的荧光点检测优于当前算法，尤其对于达到衍射极限的高密度荧光点，有很好的检测性能，比如在128×128像素具有1200个荧光点并且大部分点达到衍射极限的图像下。所提算法对斑点的识别精度F1分数超过97.6%，定位误差为0.115 pixel，相比最新deepBlink方法，F1提升16.2个百分点并且定位误差减小0.63 pixel。

MicroRNA（miRNA）是癌症等重大疾病检测过程中一类非常重要的标志物。定量实时聚合酶链式反应由于逆转录限制主要存在扩增偏差大的问题，Northern印迹杂交存在灵敏度低的不足，下一代测序和单分子阵列技术兼有检测限低及灵敏度高的优势。然而，扩增偏差大或缺乏简化的工作流程不利于即时点对点医疗诊断、治疗以及预后。基于此，提出一种基于单分子检测原理的miRNA检测方法。首先，依据泊松分布，利用三明治夹心结构形成复合物，链霉亲和素-poly-HRP与酪胺-Alexa Fluor 488分子通过催化沉积的方式生成并放大信号；然后，运用纤维蛋白水凝胶而非微流控芯片固定复合物；最后，进行单分子计数处理，通过样点寻址、样点筛选、图像重合及信息提取等4个步骤识别并统计阳性点个数，从而实现miRNA超灵敏定量检测。以人类miR-21为检测对象，检测下限是6 fmol/L。该方法在体外诊断检测miRNA方面有较好的潜在应用价值。

为解决干涉型锥形微纳光纤传感器结构尺寸长、加工重复性低的问题,设计了一种非绝热锥形微纳光纤传感结构。首先基于光纤模式理论研究了干涉型锥形微纳光纤传感器的传感灵敏度对腰部直径的依赖关系及其不同部位的传感特性,并研究了非绝热条件下在光纤拉锥过程中进行模式控制的方法。在此基础上设计并制作了腰部直径为3.1 μm、锥腰长度为1.1 cm的锥形微纳光纤传感结构,其低折射率检测灵敏度高达90250 nm/RIU。该结构具有尺寸短、加工重复性好的特点,为实现传感器的小型化、集成化提供了基础,有望用于生物医疗、环境监测等领域。

为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题, 提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先, 将退化水下图像缩放至256×256×3大小, 以获得用于训练模型的数据集。接着, 将Inception模块、残差思想、编码解码结构和生成对抗网络相结合, 构建IRGAN(Generative Adversarial Network with Inception-Residual)模型来增强水下图像。然后, 利用全局相似性、内容感知和色彩感知构造多项损失函数, 约束生成网络和判别网络的对抗训练。最后, 通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明: 与现有增强方法相比, 所提算法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中, 增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。

为提升水下图像的增强效果,提出了一种基于金字塔注意力机制和生成对抗网络(GAN)的水下图像增强算法,该算法将生成对抗网络作为基本架构,生成网络采用编码解码结构并引入特征金字塔注意力模块,多尺度金字塔特征与注意力机制的结合有利于捕获更丰富的高级特征以提升模型性能;判别网络采用类似马尔可夫判别器的结构。此外,通过构建包含全局相似性、内容感知和色彩感知的多项损失函数,使增强后的图像与参考图像的结构、内容和色彩保持一致。实验结果表明,所提算法增强的水下图像在清晰度、颜色校正和对比度上都有所提升。其中,结构相似性、水下图像质量度量和信息熵的平均值分别为0.7418、2.9457和4.6925。在主观感知和客观评价指标上,所提算法的实验结果均优于对比算法。

太阳黑子的观测与识别是太阳物理学的重要任务。通过对太阳黑子的观测与分析，太阳物理学者可以更准确地分析以及预测太阳活动。随着观测仪器的不断进步，太阳全日面图像数据量也在快速增长。为了快速、准确地进行太阳黑子的自动识别和标注，本文提出了一种两层的太阳黑子识别模型。第一层模型采用深度学习模型 YOLO，并使用基于交并比的 k均值算法优化 YOLO的参数，最终的 YOLO模型能够识别绝大多数较大黑子和黑子群，仅有极少数孤立的本影较小的黑子未能识别。为进一步提高这类小黑子的识别率，第二层模型采用 AGAST特征检测算法专门识别遗漏的小黑子。在 SDO/HMI太阳黑子数据集上的实验结果表明，应用本文的层次化模型，各种形态的太阳黑子均能被有效识别，且识别速率高，从而能够实现实时太阳黑子检测任务。

无人机遥感系统可实现高分辨率成像且成本低、风险小，但成像系统视场小、获取的图像数量多，应采用图像拼接技术进行处理。遥感图像拼接主要存在的问题有系统的实际成像方式为倾斜成像并且图像本身的复杂性对图像配准提出了很大的考验。本文提出一种基于位姿数据校正的遥感红外图像相似性先验拼接。首先，设计了一种拼接成像系统，并利用同步位姿数据校正倾斜成像获取的图像，然后结合网格变形的优化方法，提出了基于相似性先验的图像拼接。实验结果表明，该方法既保证了遥感图像拼接中重叠区域的高精度对齐，又确保了非重叠区域在变换前后的形状相似性，拼接效果出色。