土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。 合理的施肥方案对提升红枣品质、 减少农户投入和增加枣园产出有重要意义。 利用传统方法获取枣园SOM含量耗费时间和资源, 不符合枣园精准施肥管理的需求, 土壤有机质高光谱检测是一种有效的替代方法。 为筛选南疆枣园SOM的高光谱快速检测模型, 采用网格布点法采集158个枣园土壤样品, 测定风干土样的室内高光谱数据和SOM含量。 分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、 连续投影算法(SPA)、 粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、 反向传播神经网络(BPNN)、 卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型, 通过对比模型的精度评价指标和训练时间, 筛选枣园SOM含量最优光谱反演模型。 结果表明: (1) CARS、 SPA、 PSO三种降维算法都能将光谱数据压缩至原来的10%以下, 筛选波长数分别由原来的2 001个变量降为98、 156、 102个, 降维组合模型的验证集RPD均大于1.50, 均能实现对枣园SOM含量的反演, 与R组合模型相比, 降维组合模型至少能节省30%的时间成本, 特别是与BPNN和CNN等构建的组合模型, 能节省90%的训练时间, 且模型稳定性更强, 模型效果更优。 (2) CARS数据集构建组合模型的验证集R2均大于0.85, RPD均大于2.50, RPIQ均大于1.60, 在三种降维算法中效果最好; PSO数据集的组合模型验证效果略低于CARS数据集, 但优于R数据集, R2均大于0.80、 RPD均大于2.00; SPA数据集构建组合模型的验证效果要低于R数据集, 在三种降维算法中效果最差。 (3) BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型, 而在模型训练时间和模型验证效果等方面, BPNN模型优于CNN模型, 其结合CARS数据集的验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 训练时间为58.00 s, 模型符合快速检测枣园SOM含量的要求。 CARS-BPNN模型为反演南疆枣园SOM的最优模型, 研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。

目标检测是计算机视觉领域的重点研究方向，SSD模型虽然在检测精度与速度上均取得较好的效果，但其利用低语义信息的浅层特征训练小目标，容易出现小目标漏检和误检现象。对此，提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型（OBSSD）。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题；其次引入融合权重来更加有效地融合不同层级的特征，改善浅层特征语义信息低的问题；最后在分类和回归预测前加入基于残差模块的检测单元，解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明：所提模型的平均精确度（mAP）为80.8%，较SSD模型提高6.5个百分点，且检测速度满足实时检测的需求。

为解决无人机“滥用”带来的安全隐患，针对现有基于深度学习的无人机目标检测算法复杂度较高，导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题，提出了一种轻量级无人机目标检测（DTD-YOLOv4-tiny）算法。所提算法以YOLOv4-tiny为基础，通过K-means++聚类算法对Anchor box进行优化，并增加52×52尺寸特征图的检测头，拓展了算法对小目标的适用范围，再结合ShuffleNetv2轻量化骨干网络，使用reorg_layer下采样和sub-pixel上采样的方式，分别对YOLOv4-tiny算法的Backbone、Neck和Head进行优化，最终得到的模型大小仅为1.4 MB，浮点运算量（GFLOPs）仅为1.1的DTD-YOLOv4-tiny轻量级检测算法。实验结果表明，DTD-YOLOv4-tiny检测模型在不限制图像输入尺寸的同时，保证了较低的运算资源占用和高的检测实时性，同时降低参数量后的算法在面对原始大尺寸图像时也可以保持准确性。在Drone-vs-Bird 2017数据集上使用960×540尺寸的图像作为输入时，所提算法的平均精度（AP）@50值达到95%，在RTX2060显卡上的检测速度达到113 frame/s；在TIB-Net数据集上使用1920×1080尺寸的图像作为输入时，所提算法的AP@50值达到85.1%，在RTX2080Ti显卡上的检测速度达到119 frame/s。

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization， QPSO)算法优化多输出最小二乘支持向量机（multi-output least squares support vector machine， MLSSVM）的新混合优化算法。 该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、 芝麻油、 葵花油和大豆油的快速定量鉴别。 采用基线校正去除背景荧光， 结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。 构建基于QPSO-MLSSVM混合优化算法的定量分析模型， 并采用20个组分组成的预测集对其进行模型校验。 实验结果表明， 基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好， 均方差(mean square error, MSE)为00241， 低于005， 各油分预测相关系数均高于98%。 研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法， 对四组分调和油中各油分进行快速定量检测可行， 具备较强的自适应能力和良好的预测精度， 可以满足多组分调和油的成分鉴别。

空间碎片高精度测量是提升碎片目标精密监测与预警的重要途径。作为空间碎片地基光电探测技术, 激光测距具有高精度测量特性。根据空间碎片激光测距特点以及瞄准国际技术发展, 研制高性能高功率激光器、突破高效率激光信号探测等, 国内首先建立了60 cm口径空间碎片激光测距系统, 实现了碎片目标测量距离从500~2 600 km, 目标截面积从小于0.5 m2到大于10 m2, 具备了空间碎片常规测量能力。根据空间碎片激光测距方程, 结合实际激光回波数据, 综合考虑空间碎片过境时段等, 构建了地基激光测距系统探测仿真模型, 研究了60 cm口径空间碎片激光测距系统探测能力, 可对距离1 000 km、直径大于50 cm碎片目标进行观测, 与实际测量结果相符, 验证了仿真模型的合理性, 为未来地基激光测距系统高效运行及测量装备建设与探测效能评估奠定了基础。