偏振蒙特卡罗法在模拟大量光子传输时不存在由有限离散引起的计算误差，因而通常作为验证其他方法计算精度的标准。通常情况下，偏振保持特性良好的光子的信息损耗少且传输距离远，分析这些光子的传输特性对于提取优良信号具有潜在的应用价值。为此，基于偏振子午面蒙特卡罗法，提出一种散射环境中前向传输光子偏振态的统计方法。模拟计算偏振光在聚苯乙烯悬浊液中的传输特性，结果表明，优化算法不仅能够反映光子偏振态的变化情况，而且能够统计偏振保持特性良好的光子数占比。

利用二阶泰勒形式表示公差与波像差的函数关系，依据差分光线追迹法，通过光线追迹理论推导完善了偏心和倾斜两种公差关于波像差的一阶导数计算公式，利用依次求导和公式移项两种方法建立波像差的二阶导数模型。结果表明：依次求导法的求解过程复杂，应用范围受到限制，只可用于光学后截距分析；公式移项法所需的追迹像质次数少，且拟合效果良好，残差平方和处于10^-7~10^-6量级；所提方法可对光学系统进行有效的经济公差分配。

随着人工智能技术的飞速发展与广泛应用，人们对计算资源的需求日益增长，面对电子摩尔定律所遇到的原理性瓶颈，光子以高传输速度、高并行度等优势成为研究人员心目中的下一代计算机载体之一。近年来的研究工作显示，激光谐振腔内许多有趣的物理现象和复杂的动态演化过程能够被用于各种各样的数据处理与计算任务，极大地拓展了激光器的应用范围。在这篇综述中，笔者对基于激光谐振腔的智能光子计算的研究进展进行了集中的介绍与梳理，主要内容涵盖利用激光腔内的混沌过程辅助光电强化学习、利用光反馈激光器的非线性信号变换构建光电储备池网络，以及利用激光网络向稳定振荡状态的自发演化求解组合优化问题。在介绍相关最新进展之余，笔者分析讨论了智能激光计算系统面临的挑战，并对其未来的发展趋势进行了展望。

针对复杂战场环境要求天波雷达快速精准定位的问题，提出一种基于多策略改进麻雀搜索算法的定位模型。首先，使用立方混沌映射、步长因子动态调整、反向学习和混合变异算子对麻雀搜索算法进行改进，形成改进的麻雀搜索算法；然后，采用改进后的麻雀搜索算法寻找混合核极限学习机（HKELM）最优的核函数参数和混合核的权重系数；最后，使用寻优后的HKELM对天波雷达探测到的目标进行定位。结果表明，改进后的麻雀搜索算法在精度上和稳定性上优于用基本麻雀搜索算法改进的HKELM模型和极限学习机（ELM）定位模型，表明了所提算法的有效性。

传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。

针对当前跨模态行人重识别算法大多聚类能力不强、且难以提取高效辨别性特征的问题，提出了一种多粒度跨模态行人重识别算法。首先，在骨干网络Resnet50中加入非局部注意力机制模块，关注长距离像素之间的关系，保留细节信息；其次，采用多分支网络提取不同细粒度特征信息，增强模型的辨别性特征提取能力；最后，联合基于样本的三元组损失和基于中心的三元组损失监督训练，加速模型收敛。所提算法在SYSU-MM01数据集的全搜索模式下Rank-1和mean average precision分别达到62.83%和58.10%，在RegDB数据集的可见光到红外模式下Rank-1和mAP分别达到87.78%和76.22%。

随着人工智能技术的高速发展，全球的计算量急剧增长，需要以快速、高效的方式处理海量数据，这对计算硬件的算力和能效提出了较高的要求。受限于电子器件的固有极限和冯·诺依曼架构，传统的电子计算在速度和能效方面遇到了难以突破的瓶颈。光电智能计算充分融合光学的多维复用、大带宽、低能耗等优势和电学的细粒度灵活控制特性，具有光算电控和软硬协同的特点，是一种更实用、更有竞争力的人工智能计算加速方案。回顾了光电智能计算的研究进展，探讨了目前用于光学信号处理和光学神经网络的主流计算架构在线训练算法以及算力、能效提升方面的挑战，并进行了展望。

针对已有的三维圆形孔洞识别算法提取精度差、边缘点提取不完整等问题，提出一种基于点云法线与投影融合的三维圆孔识别的算法。首先利用KD-tree建立点云空间拓扑关系；其次使用近邻算法（KNN）搜索距离点最近的k个邻域点，通过定义距离阈值确定大于阈值的点为边界点；最后采用点云法线与投影融合，实现点云边缘的特征点和噪声点区分，并提取点云数据的三维圆孔特征。以带有圆形孔洞的栅极件为试验工件进行算法验证，试验结果表明，该算法能够有效实现点云边缘提取以及三维圆孔识别。

为提高压缩感知鬼成像的实用性,解决场景中采样数据丢失且无法重复采样而引起关联成像失败的问题,提出了一种基于鬼成像丢包数据的分组扩充方法。首先,分析了不同形式丢包数据对成像性能的影响。然后,通过对待采样数据进行分组并对存在丢失现象的采样结果进行扩充的方式提高了成像质量。仿真和实验结果均表明,与传统方法相比,分组扩充法可以降低丢包数据对成像质量的影响,有利于进一步推动鬼成像的实用化。

散射现象广泛存在于自然界中。透过散射介质的大景深成像在计算成像领域具有重要的意义和应用价值。近年来,随着深度学习在计算成像领域的广泛应用,散射成像系统中的景深问题亟待进一步研究和拓展。以DenseNet为基础,结合UNet框架,建立了一个具有良好迁移性和景深拓展能力的深度卷积神经网络模型——DUNet。通过使用透过不同目数毛玻璃的散斑图像对网络进行训练,使成像景深拓展至距焦面50 mm处。初步的小鼠脑片实验结果表明,DUNet模型将有望应用于深层组织断层扫描。