当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

在给定错误率下，减小量子态分辨中平均消耗的拷贝数，称为最小消耗量子态分辨。最小消耗量子态分辨可以把节省的资源用于后续量子任务，在量子密码等量子任务中具有重要的应用价值。研究了两比特量子态的最小消耗量子态分辨。理论结果表明，即使两比特量子态只有经典关联，没有量子纠缠，纠缠测量仍能远超对两个比特分别进行局域测量的效果。实验结果证实，当错误率要求足够小时，纠缠测量实验装置消耗的拷贝数仅为局域测量的1/12，就可满足错误率要求。该研究结果突出了纠缠测量在最小消耗量子态分辨中的作用，显示了量子测量中纠缠的重要意义。

针对数字射频存储器(DRFM)等转发式极化调制假目标干扰的鉴别问题, 提出一种极化调制假目标鉴别方法。首先, 提出极化圆阵的时-空联合域编码的极化测量模型, 并证明了该模型经脉冲压缩后能够准确获得回波的极化信息; 其次, 根据极化雷达的张量积接收模型原理, 得到了目标和极化调制假目标回波在四维复空间的分布差异; 最后, 基于该差异, 结合最大最小距离算法和密度法思想, 对K-means算法进行了改进, 设计了以最佳聚类数K值大小为极化鉴别量的分类器。仿真实验以64个发射脉冲为例, 验证了所提鉴别方法在不同信噪比(SNR)和干噪比(JNR)下均有良好的鉴别效果, 可有效鉴别目标和极化调制假目标。

利用近红外高光谱成像技术（NIR-HSI）, 将采集的光谱信息融合图像纹理信息建立分类模型, 实现灵武长枣瘀伤等级的判别。 采用瘀伤装置获得瘀伤等级为Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ、 Ⅴ级的200个长枣样品, 并按3∶1的比例划分校正集和预测集。 采集不同瘀伤等级长枣的近红外高光谱图像, 使用ENVI软件提取感兴趣区域（region of interest, ROI）并计算平均光谱值。 为消除无用信息的干扰, 采用正交信号修正（OSC）、 基线校准（Baseline）、 多元散射校正（MSC）、 移动平均（MA）、 卷积平滑（S-G）和去趋势（De-trending）对原始光谱进行预处理并建立偏最小二乘判别分析（PLS-DA）模型; 基于最优预处理方法所得的全波段数据采用变量组合集群分析法（VCPA）、 无信息消除变量算法（UVE）、 竞争性自适应加权抽样算法（CARS）、 区间变量迭代空间收缩法（iVISSA）和连续投影算法（SPA）提取特征波长后建立PLS-DA模型; 将高光谱图像进行掩膜, 利用主成分分析（PCA）获取贡献率最高的主成分图像, 并在该图像上采用灰度共生矩阵（GLCM）提取纹理参数, 包括能量（ASM）、 熵（ENT）、 对比度（CON）和相关性（COR）, 建立图谱融合的PLS-DA模型。 结果表明, 原始光谱数据建立的PLS-DA模型, 校正集和验证集准确率分别为89%和86%; 原始光谱经De-trending预处理后的PLS-DA模型效果最优, 校正集和预测集准确率均为90%, 较原始光谱模型分别提高了1%和4%; 基于SPA选择特征波长后建立的PLS-DA模型的校正集和预测集准确率均为90%; De-trending-SPA-COR-PLS-DA图谱融合模型效果最优, 模型校正集和预测集准确率均为92%。 因此, 利用近红外高光谱成像技术融合纹理信息可实现不同瘀伤等级灵武长枣的快速无损判别。

油纸绝缘老化状态的快速准确检测一直备受关注，本研究对未进行特征提取的油纸绝缘原始拉曼光谱老化状态类别进行判定。首先，根据所测得的绝缘纸聚合度将其老化状态划分为10个类别。同时，对不同老化状态的油纸绝缘样本进行拉曼光谱检测。最后，通过K最近邻（KNN）算法、集成增强KNN算法分别对169组拉曼光谱样本进行老化状态类别判定。结果表明：经过集成增强后的KNN算法对原始拉曼光谱具有更强的识别能力，其判别准确率为98.32%，且具有更好的稳定性。证明了由集成增强KNN算法构建的判别模型能够较为准确地判别油纸绝缘原始拉曼光谱，该模型简化了变压器油纸绝缘拉曼光谱老化状态的诊断步骤，对油纸绝缘拉曼光谱检测方面的研究具有重要意义。