针对多模态医学图像融合中存在纹理细节模糊和对比度低的问题，提出了一种结构功能交叉神经网络的多模态医学图像融合方法。首先，根据医学图像的结构信息和功能信息设计了结构功能交叉神经网络模型，不仅有效地提取解剖学和功能学医学图像的结构信息和功能信息，而且能够实现这两种信息之间的交互，从而很好地提取医学图像的纹理细节信息。其次，利用交叉网络通道和空间特征变化构造了一种新的注意力机制，通过不断调整结构信息和功能信息权重来融合图像，提高了融合图像的对比度和轮廓信息。最后，设计了一个从融合图像到源图像的分解过程，由于分解图像的质量直接取决于融合结果，因此分解过程可以使融合图像包含更多的细节信息。通过与近年来提出的7种高水平方法相比，本文方法的AG，EN，SF，MI，Q^AB/F和CC客观评价指标分别平均提高了22.87%，19.64%，23.02%，12.70%，6.79%，30.35%，说明本文方法能够获得纹理细节更清晰、对比度更好的融合结果，在主观视觉和客观指标上都优于其他对比算法。

声音作为物体固有属性之一能为目标检测提供有价值的信息，当前仅通过监测环境声进行目标定位的方法鲁棒性较低，为解决这一问题提出了跨级特征知识转移下的多模态自监督目标检测网络。首先，针对教师网络和学生网络同级特征间学习能力有限的问题，设计了基于注意力融合的多教师跨级特征知识转移损失，通过注意力融合的方式融合学生的深层和浅层特征，更高效地学习对应的教师中间层特征，以提取更多的知识，同时结合KL散度，实现教师和学生网络中间层特征的对齐。此外，为了解决定位信息的缺失的问题，加入定位蒸馏损失，通过让学生的包围盒分布去拟合教师的包围盒分布的方式，来获取更多的定位信息。在多模态视听检测MAVD数据集中对网络进行训练，该网络的mAP值在IOU值为0.5，0.75和平均的情况下较基线网络分别有6.71%，14.36%和10.32%的提升。实验结果证明了该检测网络的优越性。

近年来，以无人机为代表的“低慢小”目标发展迅速，通过搭载侦察、通信、干扰、打击等载荷和运用先进信息技术，已应用于实战或恐怖袭击，对城市防护、要人要地、公共安全造成了重大安全隐患；其以廉降耗、以量增效的新战法和新特点，对现有的防控体系构成了极大挑战。文中结合近10年工程经验，分析“低慢小”目标的特点和防控问题，提出基于OODA理论的“低慢小”目标防控作战流程以及复合组网、态势融合、多元分级、平台开放的体系建设发展思路；面向应用，充分探索各探测、处置手段的发展方向，为开展“低慢小”目标防控技术的发展和能力建设提供重要参考。文中指出，“低慢小”防控任务需要多学科、跨领域的协同配合，并通过常态化的测试与使用，对相关经验进行总结，不断优化迭代体系能力，才有可能解决“低慢小”目标防护的问题。

当前光子神经网络的研究主要集中在单一模态网络的性能提升上，而缺少对多模态信息处理的研究。与单一模态网络相比，多模态学习可以利用不同模态信息之间的互补性，因此，多模态学习可以使得模型学习到的表示更加完备。本文提出了将光子神经网络和多模态融合技术相结合的方法。首先，利用光子卷积神经网络和光子人工神经网络相结合构建异构光子神经网络，并通过异构光子神经网络处理多模态数据。其次，在融合阶段通过引入注意力机制提升融合效果，最终提高任务分类的准确率。在多模态手写数字数据集分类任务上，使用拼接方法融合的异构光子神经网络的分类准确率为95.75%；引入注意力机制融合的异构光子神经网络的分类准确率为98.31%，并且优于当前众多先进单一模态的光子神经网络。结果显示：与电子异构神经网络相比，该模型训练速度提升了1.7倍。与单一模态的光子神经网络模型相比，异构光子神经网络可以使得模型学习到的表示更加完备，从而有效地提高多模态手写数字数据集分类的准确率。

云检测对于遥感图像的应用具有重要意义。目前已有的云检测方法关于遥感图像的偏振信息研究较少，性能和泛化能力有限。为有效利用遥感图像偏振信息，提出了一种基于深度学习的多模态融合遥感图像云检测方法并进行了初步实验评价。该网络是一种三参数输入流架构，具有编码器-解码器结构，利用通道空间注意模块对遥感图像中的反射率特征和偏振特征进行多模态融合。在解码器上采样阶段，利用迭代注意特征融合方法融合高、低级特征映射。评价实验数据集来源于多角度偏振成像仪 (DPC) 云产品和云掩码产品。评价实验结果表明，所提出的网络模型实现了良好的云检测性能，识别准确率达到93.91%。