在自由光空间通信领域，使用不同束腰半径组合的涡旋叠加光束可以在同一信道开销下传递更多信息。受大气湍流影响涡旋光束会发生相位扰动，进而影响其轨道角动量（OAM）模态识别。现有模型无法准确识别受随机大气湍流影响而发生扰动的OAM叠加光束模态。因此，提出一种基于注意力机制的深度学习识别方法。将注意力机制模块嵌入到VGG-16中，以提升模型对不同状态叠加光束模态的感知性能。另外为模拟湍流的真实状态，利用功率谱反演法模拟大气湍流，并使用次谐波补偿随机湍流屏的低频信息。同时，建立受到随机湍流影响发生相位扰动的OAM叠加光束数据集，利用该数据集训练所提模型。实验结果表明，在未知大气湍流强度条件下，对比传统方法，所提方法对OAM的识别准确率最高提升了4.46%。这表明了该模型对识别OAM叠加光束的有效性，以及良好的鲁棒性和较好的泛化能力，为识别OAM模态提供一种新的方法。

针对立体图像的多维影响因素和预测结果准确性不足的问题，提出一种基于卷积神经网络-支持向量回归（CNN-SVR）的立体图像视觉感知客观评价模型。该模型将基于颜色的平面显著图和基于差异的视差图相结合，对其进行阈值分割，得到视觉感知潜在显著不适区域；然后进行特征提取，分别提取对比度、颜色、结构复杂度等全局特征和视差、纹理、空间频率等局部特征；最后采用将CNN和SVR相结合的方式构建多特征视觉感知客观评价模型，得到最终的客观预测值。实验结果表明，所提方法的Pearson相关系数高于0.87，Spearman相关系数高于0.83。与现有其他方法相比，在公开数据集上所提客观评价模型更优，预测结果与人们主观评价结果具有更高的一致性。

利用原子力显微镜(AFM)硅悬臂器件具有多阶谐振模态的特性, 提出了基于硅悬臂高阶谐振特性构建动态AFM来实现快速扫描的方法, 并研制了可工作于一阶模态和高阶模态的AFM。介绍了高阶谐振AFM系统的基本结构和工作原理, 从理论上证明了利用硅悬臂梁高阶谐振特性实现快速扫描的可行性。以自制的AFM为研究对象, 分析了影响动态AFM扫描速度的主要因素, 对系统各模块的响应时间进行了分析、测试, 并通过实验证明了AFM在二阶谐振模态下的稳定时间明显小于一阶谐振模态下的稳定时间。最后, 分别用一阶、二阶谐振模态对光栅试样在同一区域的表面形貌进行了扫描测试, 测试数据表明: 在相同条件下, AFM的扫描速度在二阶谐振模态下约是一阶模态下的3.3倍。理论分析和实验结果证明了利用高阶谐振探针提高AFM扫描速度的可行性和有效性。