数字病理技术利用经过数字化的病理样本显微图像及其特征，并配合人工智能技术，实现生物组织病变特征的定量评估和判定，辅助临床医生做出诊断结论。利用偏振光照明和偏振探测可以实现全偏振成像，图像每个像素的偏振特征都包含更加丰富的信息，特别是普通光学成像难以获得的亚细胞超分辨微观结构特征信息，可为病变组织的识别和定量评估提供更为有效的手段。本文总结了全偏振成像技术，并结合典型临床应用归纳总结了全偏振显微图像的数据分析方法和最新进展。

针对太赫兹直线加速器，开发了基于EPICS分布式系统的横向截面尺寸测量系统。该系统采用束斑检测器完成束斑到光斑的转换，并通过远心镜头将光斑成像到CCD相机，完成对光斑图像的采集，之后基于ADAravis将相机采集的图像数据汇入到EPICS数据库。由于暗电流以及环境辐射的影响，在采集到的图像中会存在椒盐噪声，因此使用卷积神经网络（CNN）对图像中的椒盐噪声进行抑制，最后对图像进行高斯拟合计算出束流截面尺寸。实验结果表明，CNN可以有效地消除椒盐噪声，并且系统的分辨率达到15.8 μm，满足系统设计要求。

针对未知物体的分类问题，提出了一种基于支持向量机和关联成像的分类方法。该方法利用线性判别分析法提取出物体的特征向量，并根据该特征向量设计出应用于关联成像系统的特征散斑，将特征散斑照射物体获得桶探测器值，支持向量机可以依据桶探测器值进行判别从而获得物体的类别。该方法的可行性在MNIST数据集上得到了验证，结果表明，该方法在10个分类任务中均可取得较高的分类准确率，平均分类准确率达90.5%。与其他分类方法的对比结果表明，所提方法在准确率上更具优势。

太赫兹技术作为6G时代的核心通信技术，可以有效解决频段资源日益稀缺的窘境，以满足流量、连接数急剧增长的需求，实现更大的传输带宽。现有机器学习算法如深度神经网络、卷积神经网络和长短期记忆网络等，均可以有效缓解6G传输系统中的强非线性效应，是实现6G太赫兹无线通信的重要手段。介绍了应用于光子毫米波和太赫兹无线传输系统的不同深度学习范式，讨论了应用光子技术办法产生超高速THz波无线信号的国内外主要进展及技术路线对比，并且对较为经典的或是目前最新的应用于太赫兹通信系统中的人工智能技术进行了介绍，同时对未来大速度、高容量的太赫兹通信技术的发展提出了展望。

Ti-6Al-4V is a benchmark Ti alloy. Laser wire additive manufacturing (LWAM) offers advanced manufacturing capability to the alloy for applications possibly including exploration of outer space. As a typical multiple-variable process, LWAM is complex, which, however, can be analyzed, predicated or even optimized by artificial intelligence (AI) methods such as machine learning (ML). In this study, printing parameters of the Ti-6Al-4V is firstly optimized using single-track-single-layer experiments, and then single-track-multiple-layer samples are printed, whose properties in terms of hardness and compressive strength are analyzed subsequently by both experiments and ML. The two ML approaches, artificial neural network (ANN) and support vector machine (SVM), are employed to predict the experimental results, whose coefficients of determination R² show good values. Further optimized properties are realized by adopting genetic algorithm (GA) and simulated annealing (SA) approaches, which contribute to high mechanical properties achieved, for instance, an engineering compressive strength of about 1694 MPa. The results here indicate that important mechanical properties of the LWAM-prepared Ti alloys can be well predicted and enhanced using suitable ML approaches.

荧光激光雷达对气溶胶云团进行远程侦测时，常利用决策树法对云团的荧光光谱信号进行识别。当大气能见度较差或背景辐射较强时，激光雷达的信噪比下降，导致分类识别的准确性明显降低。针对这一问题，提出了一种基于特征提取的决策树分类方法，该方法充分利用荧光光谱信号的信息，具有较强的适用性。首先介绍了生物荧光光谱的特点及传统识别算法和改进识别算法的原理；然后实验测试了6种生物溶液的荧光谱，并通过在这6种生物物质的荧光光谱中增加不同强度的噪声，对两种分类识别算法的性能进行了对比分析。结果表明：所设计的基于特征提取的决策树算法的训练时间基本不随噪声大小改变，当光谱信号的信噪比为10时，对6种生物物质的识别准确率基本达到80%以上；对于两种荧光光谱极其相似的生物，具有较强的区分能力，识别准确性优于传统识别算法；抗噪能力较强，提高了生物气溶胶激光雷达的探测识别能力。

塑料因其可塑性与低成本在日常生活与工业中被广泛使用，然而这也带来环境污染与资源浪费等问题，因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性，采用近红外高光谱成像技术（NIR-HSI），比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM（PSO-SVM）、遗传算法优化的SVM（GA-SVM）等机器学习方法。通过验证数据筛选模型准确率后，将其应用于高光谱图像，通过可视化分类对比原始图像评估模型效果。结果显示，基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳，验证数据的精度分别达到96.14%、96.21%和98.67%，在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值，只需获取特定塑料的光谱数据并进行适当处理，即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。