随着智能技术和设备的不断发展，精确定位技术在**领域的应用越来越广泛，其应用场景涵盖室外和室内环境。全球卫星导航系统定位技术在室外环境中定位精度高，提供信息丰富，应用十分普遍。然而，由于墙壁、树木、玻璃等障碍物的遮挡，其在室内环境中的定位精度明显下降。超宽带技术以其定位精度高、时空分辨率强、传输速率快、成本低而显示出明显的优势。在室内环境中，各种障碍物使超宽带系统的基站和标签之间的传播通道被阻挡，由于超宽带信号的非视距传播现象，超宽带系统的定位精度明显下降。文中基于深度学习技术，提出了一种深度神经网络用于超宽带非视距传播影响抑制，该深度神经网络兼具ResNet网络和Non-local模块的优点，既可防止网络层数增加时网络性能不升反降的问题，也可捕获输入数据的全局特征，建立超宽带系统原始信道脉冲响应和测距误差之间的映射关系。相关实验结果显示，该方法可将超宽带系统在非视距传播条件下的测距平均绝对误差从0.1242 m降低至0.0681 m。与传统方法相比，该方法可消除人工统计超宽带信号波形特征耗费大量时间的缺点，可进一步提高超宽带系统在非视距传播条件下的定位精度，具有鲁棒性强、应用范围广的优点，可为**领域室内高精度定位提供技术支撑。

针对ResNet18网络模型在面部表情识别时存在网络模型大、准确率低等问题，提出了一种基于注意力机制ResNet轻量网络模型（Multi-Scale CBAM Lightweight ResNet，MCLResNet），能够以较少的参数量、较高的准确率实现面部表情的识别。首先，采用ResNet18作为主干网络提取特征，引入分组卷积减少ResNet18的参数量；利用倒残差结构增加网络深度，优化了图像特征提取效果。其次，将CBAM（Convolutional Block Attention Module）通道注意力模块中的共享全连接层替换为1×3的卷积模块，有效减少了通道信息的丢失；在CBAM空间注意力模块中添加多尺度卷积模块获得了不同尺度的空间特征信息。最后，将多尺度空间特征融合的CBAM模块（Multi-Scale CBAM，MSCBAM）添加到轻量的ResNet模型中，有效增加了网络模型的特征表达能力，另外在引入MSCBAM的网络模型输出层增加一层全连接层，以此增加模型在输出时的非线性表示。该模型在FER2013和CK+数据集上的实验结果表明，本文提出的模型参数量相比ResNet18下降82.58%，并且有较好的识别准确率。

基于深度学习的设备故障检测系统性能很大程度上依赖于样本集的规模及类别多样性。由于工业生产中难以全面采集各类故障样本，由此就有样本集扩增需求。本文提出联合3D模型和改进CycleGAN的故障数据集扩增方法。首先，提出利用3D建模软件模拟生成各类故障图片，将其作为CycleGAN迁移网络输入，约束引导生成真实故障图像，以解决样本不足及分布不均衡问题；其次，对CycleGAN网络生成器进行改进，提出U-ResNet生成器，用以解决数据集扩增过程中的边缘模糊和梯度消失问题。将该方法应用于带式输送机跑偏检测任务，结果表明相较于其他扩增方法，该方法训练过程中轮廓结构收敛快，时效性好，应用于目标检测网络准确率达到98.1%，较原真实数据集提升4.5%。说明该数据集扩增方法可以满足故障数据集类别分布均衡，图像质量高的要求。

水果作为人们日常必备的食物，其越来越高的消费需求使得行业对自动损伤检测和自动分类的要求日益提高。针对这一需求，近年来水果损伤自动检测成为研究的热门话题。针对现有的深度学习技术，即卷积神经网络在水果的特征提取和分类方面的应用进行了探讨，提出了一种以ResNet34作为主干网络，并在此基础上引入注意力机制SE和CBAM模块的方法来实现水果损伤的检测和基本分类。在fruit fresh and rotten for classification数据集上完成了该方法的验证。经过与VGG16，GoogLeNet，MobileNetV2等常见网络的比较分析，结果显示改进后的模型分类准确度达到98.8%。通过加入新的苹果数据集，该模型相比原网络ResNet34，在性能方面进一步提升，有效提高了模型的泛化性。该模型提升了水果损伤检测和分类处理的精确性，在实际中，可为复杂的水果图片的多特征分类处理提供借鉴。

材料太赫兹吸收谱的指纹特性已被广泛应用于物质识别，但实际大气环境下，水蒸气对太赫兹波的强烈吸收会导致光谱严重振荡，假峰、弱峰、混叠峰相继增多，严重影响寻峰比对的精度及物质识别的能力。针对上述问题，提取相对湿度为2%，15%，35%，45%和60%环境下爆炸物的太赫兹吸收光谱信息数据，利用连续小波变换将光谱在频域上展开得到具有特征唯一性的频域尺度图；再基于深度学习方法，以ResNet-50网络模型为基本网络结构，对上述5种不同湿度环境下得到的爆炸物频域尺度图进行网络分类训练，其测试集分类准确率达96.6%。为验证该技术在未经训练湿度样本下的有效性，将相对湿度为50%，55%和67%时爆炸物的时域信号送入该识别系统，分类准确率可达96.2%。实验结果表明，基于小波变换与ResNet-50网络分类训练的太赫兹物质识别方法相比于传统寻峰方法大幅提升了爆炸物在高湿度环境下的识别准确率，规避了降噪、平滑等一系列复杂预处理操作，极大拓展了太赫兹光谱探测技术的工程适应性，为山地、森林、洼地等高湿度、极复杂的作战环境下精确探测、识别地雷等爆炸物提供了技术支持。

产品表面缺陷检测是工业自动化生产的重要环节，准确率是评价自动检测系统可靠性的主要指标。基于复杂纹理表面缺陷检测的特殊性以及对检测方法的实时性、通用性等要求，提出了优化骨干网络并使用迁移学习特征映射构建复杂纹理表面缺陷的检测方法。该方法通过优化残差网络模型并建立仿真数据集的方式进行迁移学习，以解决实际情况中复杂纹理表面产品数据集样本数量少、数据集制作困难、相似问题难以互相兼容等问题。实验结果表明，提出的方法可以准确地检测随机复杂纹理的人造木质板材表面缺陷，平均准确率可达99.6%。现有实验条件下单张人造木质板材的检测时间为305 ms，可以满足在线检测的实时性要求。研究结果可为基于深度学习的复杂纹理表面缺陷检测提供新的思路与理论参考。