细菌拉曼光谱信号弱、相似度高且易被噪声干扰，使用传统机器学习方法对其分类时必须进行繁杂的光谱预处理，效率低下。为提高细菌拉曼光谱分类的准确率和效率，提出了一种基于密集连接的一维卷积神经网络模型Raman-net，无需额外的光谱预处理就能有效完成光谱分类。实验结果表明，Raman-net对Bacteria-ID公开数据集中30种细菌低信噪比拉曼光谱的分类准确率为84.26%，显著高于传统机器学习方法及对比方法。对于碳青霉烯类抗生素敏感和耐药的2种肺炎克雷伯菌表面增强拉曼光谱，Raman-net取得了99.16%的分类准确率。这表明对于细菌的普通拉曼光谱和表面增强拉曼光谱，Raman-net无需光谱预处理就能取得较好的分类效果，为致病菌的拉曼光谱鉴定提供了一种快速有效的方法。

为了解决高光谱目标检测中高斯径向基核、光谱相似度量核难以同时描述光谱曲线整体及局部特性的问题，利用光谱信息散度与梯度角正切相结合的光谱区分方法构造了一种新的核函数. 对真实机载可见红外成像光谱仪高光谱数据进行高光谱核异常检测，得到二值图及接收机操作特性曲线. 结果表明，在低虚警率下,相比于高斯径向基核、光谱相似度量核， 本文所提出核函数在高光谱核异常检测中准确度与清晰度更高.

近红外高光谱分辨率激光雷达(HSRL)分子散射回波信号具有频谱展宽窄、能量弱等特点，相对于紫外和可见光HSRL 研发难度大大增加。光谱滤光器作为HSRL 的关键器件之一，与HSRL 系统的反演精度密切相关。根据光谱滤光器的信号透射率和光谱分离比与HSRL 系统反演精度的关系，通过分析1064 nm HSRL 散射回波的特点，对两种具有代表性的干涉光谱滤光器进行了建模和仿真分析。结果表明，在光束发散角较小时，Fabry-Perot干涉滤光器具有较好的滤光性能，但对面形精度要求较高，不易于加工和装调；视场展宽Michelson 干涉滤光器(FWMI)对光束的发散角不敏感，集光能力强，且对面形精度的要求相对较低，在实际应用中更适合用于近红外HSRL 系统光谱滤光器。

激光相干探测由于其高灵敏及抗干扰特性，在现代精密检测中应用逐渐广泛。由于目标二维信息更能反映目标特性，利用PCI8522采集卡与振镜扫描控制信号进行模拟量触发源(ATR)触发同步，快速获取目标二维多普勒频谱。对室内裸露以及伪装网覆盖的旋转漫反射目标进行二维频谱提取，二维频谱图为31 pixel×31 pixel，目标存在区的频谱范围在3~7 MHz之间，通过二维频谱图能对典型目标轮廓进行识别。对图像恢复算法中引入的噪声进行分析，结果表明：其中目标覆盖区中轴线附近噪声概率较大，主要由200 kHz的频谱门宽引起；另一类噪声为背景无多普勒频移的5 MHz中心信号被频谱门宽限制所致，可作为目标轮廓衬底，无需抑制。该研究为激光相干探测在动目标伪装识别中的应用奠定基础。

提出了将光谱信息散度和光谱梯度角正切相结合的光谱区分方法(SID×tan(SGAπ/2)), 克服了现有光谱区分方法难以同时兼顾光谱整体形状和局部特征的不足。 利用仿真光谱作为输入源, 根据时空联合调制干涉成像光谱仪的干涉图获取原理和光谱复原算法, 模拟了其在不同最大掺杂比下对失真光谱的复原, 并采用不同区分方法分别比较了复原光谱与准确光谱的差异。 实验结果表明SID×tan(SGAπ/2)法可以在辨别光谱整体形状相似性的前提下, 增强对光谱局部特征差异性的分辨能力。 通过对多种区分方法结果的对比, 验证了SID×tan(SGAπ/2)法在光谱区分能力上的显著提高。

提出了基于梯度的信息散度的光谱区分方法[SID(SG)]。首先通过求取光谱梯度进行局部特征区分，再通过求光谱梯度的信息散度进行整体比较。采用仿真光谱和实际测量光谱，比较了SID(SG)与其他方法的光谱区分能力。利用相关光谱区分熵(RSDE)作为评价标准对实验结果进行了量化评价。SID(SG)方法的RSDE值分别是1.2849和1.5184，均为两组实验中几种方法的最小值。实验结果表明了SID(SG)方法相对于其他几种方法在光谱区分能力上的优越性。

为了对抗现代战争中日趋严重的激光威胁,激光告警技术已成为亟需研究的课题之一。灵敏度和信噪比是激光告警系统重要的性能指标,它直接影响告警系统整体的探测性能。文中根据信号统计检测理论,提出了一种计算相干探测光谱识别型激光告警接收机灵敏度和信噪比的方法。首先,分析了激光信号和接收机噪声的概率分布。然后,基于阈值探测理论和奈曼—皮尔逊准则,通过引入探测概率因子和虚警概率因子,建立了信号电流方程,进而得到了灵敏度和信噪比的计算表达式。最后,利用该方法对自行研制的光栅衍射激光告警接收机的探测灵敏度和信噪比进行了理论计算和相关的实验验证,结果表明:由该方法计算的灵敏度和信噪比与实验结果基本相符。

A fusion approach is proposed to refine the resolution of urban multi-spectral images using the corresponding high-resolution panchromatic (PAN) images. Firstly, the two images are decomposed by wavelet transformation, and five texture features are extracted from high-frequency detailed sub-images. Then a multi-characteristics fusion rule is used to merge wavelet coefficients from the two images according to the extracted features. Experimental results indicate that, comparing with the non-characteristic methods, the proposed method can efficiently preserve the spectral information while improving the spatial resolution of the urban remote sensing images.