由于微惯性测量单元(MIMU)易受环境影响, 且存在输出非线性以及剧烈角运动和线运动下精度低的缺点, 而传统的多项式标定方法难以精确地补偿动态误差, 因此,利用深度学习方法对MIMU整体动态误差进行建模与补偿, 分别使用浅层神经网络与深度循环神经网络建立MIMU的整体动态误差模型。设计了基于三轴带温箱位置速率转台的标定流程, 使三轴带温箱转台的内、中、外3轴同时施加角运动并且施加温度变化, 建立MIMU的多因素影响误差训练集。实验结果表明, 浅层神经网络模型相对于传统模型在误差补偿效果上略有提升, 深度循环神经网络模型补偿后残差均值与均方差显著下降, 其中,门控循环单元(GRU)神经网络模型补偿效果最好, 并且需要训练的参数较少、计算负担小。

光声层析成像是一种非侵入式的医学成像技术，与其他成像方法相比具备诸多优势，可以为肿瘤早期诊断提供新的成像思路。对光声信号的分析与去噪能提高成像系统的信噪比（SNR）和成像质量。为此，提出了一种针对光声信号的智能去噪算法。首先，利用自适应白噪声完备集合经验模态分解完成光声信号的分解；其次，采用小波阈值去噪方法完成对特定模态光声信号的高频去噪；最后，利用K奇异值分解对预处理后的光声信号进行稀疏重构，实现光声信号的智能去噪。仿真和实验结果表明，所提算法在SNR和均方根误差（RMSE）等方面相比于其他去噪算法均有改善，可以有效去除三维肿瘤仿体光声重建图像中的噪点与伪影，并保留图像的边缘信息。所提智能去噪算法能根据含噪光声信号的特征自适应地去噪，达到更好的去噪效果，可以作为一种成像前的辅助手段应用于光声成像领域。

光热治疗是一种非侵入式、靶向性的新型治疗技术,但现有的光热治疗技术不能实时监测靶区的温度分布,且开环的激光控制方式不仅增大了治疗难度,也会对病灶周边的正常组织造成不可逆损伤。为此,提出了一种基于光声温度精准调控的光热治疗方法。研究了基于光声图像的温度成像算法,提出了光声温度敏感因子的概念,设计了基于光声温度敏感因子的闭环温度控制算法,最后搭建了一套基于光声温度精准调控的新型光热治疗系统,并进行了仿体实验。实验结果表明:基于光声温度精准调控的光热治疗方法可实现靶区温度的非接触式精准测量与控制,系统调节时间在10 s以内且温度控制均方根误差在0.7 ℃以内。基于光声温度精准调控的光热治疗方法可以作为一种更精准、高效的辅助手段应用于光热治疗领域。