工程塑料优异的介电性能和金属可替代性， 使其成为5G建设的热门材料。 对外观相近但性能不同的几种工程塑料的检测与定性分析， 有助于工程塑料更好地应用于5G线路板和天线模块的制造。 应用太赫兹时域光谱技术（THz-TDS）对几种常见的工程塑料PEEK、 PPS、 ABS进行光谱检测， 分别得到三种工程塑料在太赫兹波段的光谱数据。 通过快速傅里叶变换， 将三种工程塑料的THz时域光谱进行转换， 获取工程塑料在0.1~1.2 THz下的THz频域光谱， 并经过计算提取出相应的吸收光谱。 分析THz时域光谱可知， 不同种类工程塑料的THz时域谱存在时间延迟线和振幅的差异， 可以直观地显示出各种塑料间的差异， 这表明工程塑料的THz-TDS分类识别具有一定的可行性。 但由于同属工程塑料， 在太赫兹波段上表现为峰位、 峰值相近， 且各个材料无明显的THz特征吸收峰， 因此无法直接以指纹谱进行判定。 鉴于此， 研究将非线性工具卷积神经网络（CNN）应用于无明显特征吸收峰的工程塑料识别研究的可行性， 通过对CNN的网络结构和重要权值参数的优化， 提出了一种改进的CNN分类模型。 该模型使用LeakyRelu激活函数， 添加BN层， 利用Adams梯度下降算法， 保证分类器的鲁棒性， 加快网络分类速度， 提高太赫兹吸收光谱识别精度， 同时可以有效地解决由于THz光谱数据量不足而容易陷入局部最优问题。 并将该方法同传统的线性工具主成分分析-支持向量机法（PCA-SVM）进行对比。 对比实验结果显示: 改进的CNN分类模型平均运行耗时为0.15 ms， 训练集准确率为99.6%， 测试集准确率达到98.8%; 相较传统的PCA-SVM分类模型， 其分类效率大幅提升， 同时测试集分类准确率提高了27.3%， 训练集分类准确率提高了30.9%。 研究结果表明: 将THz-TDS与改进的CNN分类模型相结合， 能够实现对上述三种工程塑料的精确鉴别与分类识别， 为工程塑料的非接触快速无损检测和识别提供了新方法， 也为其他无THz特征峰物质的识别与检测方法研究提供参考。

为了满足人工智能在目标识别方法中的应用需求，需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据，并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标，并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法，从而实现了红外目标智能化分类研究，为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。

小型化便携式光谱成像越来越多应用于日常生活中，给人们的生活提供了更多的便利。柑橘属水果是人们日常生活中经常食用和储存的水果之一，在智能冰箱中,柑橘由于品种相似等原因不利于识别和分类，光谱成像技术利用其物质不同的特征波长实现其识别。采用新型的单芯片式光谱成像芯片搭建小型化便携式的光谱成像系统，利用光谱成像技术实现对柑橘属水果的分类识别，并通过分批次样本进行交叉验证，同时建立光谱分辨率与准确度关系，通过约束光谱分辨率，有效提高了柑橘属水果分类识别的准确度，光谱分辨率小于20 nm，识别准确度可达到95%以上。

为了降低卷积神经网络计算的复杂度, 改善特征提取过程中的过拟合现象, 解决经典网络模型不能有效处理大尺寸图片的问题, 采用了加权联合降维的特征融合与分类识别算法, 根据两特征的识别贡献率对主成分分析法(PCA)降维处理和随机投影(RP)处理结果进行加权融合, 然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征, 使用欧氏距离分类器对识别对象进行分类, 并进行了理论分析和实验验证。结果表明, 经过加权联合降维对数据进行预处理, PCA矩阵与RP降维矩阵之比重达到6∶4, 识别率高达96%以上。该算法有效提高了准确率, 使大尺寸图片在深度学习网络中有良好的识别效果, 改善了网络的适应性。

提出利用线性判别函数,d(x)=W′x,对轰炸机和战斗机两类目标进行旋转不变识别。每一目标有72个旋转模式,其中9个为训练样本,63个为测试样本,在每个目标的训练样本中随机取一个相减作为线性判别函数的系数(Wij)的初始值,然后利用误判的训练样本优化判别函数的权值以提高函数的正确识别率。为便于光电实现,线性判别函数的权值系数只有2、1、0、-1、-2五个值。计算机模拟表明利用此判别函数进行分类的正确识别率达95.8%。文中还提出一个实现此线性判别函数的光电混合识别系统。