针对雾霾天气下车牌识别存在的精确度低、漏检等问题，提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后，基于YOLOv5网络设计一种车牌检测网络ACG_YOLOv5s。ACG_YOLOv5s是在YOLOv5s网络的基础上，融入CBAM注意力机制，提高模型的抗干扰能力；引入自适应特征融合网络ASFF，根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值，从而突出重要特征信息；使用Ghost卷积模块替换传统卷积，在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明，改进后的ACG_YOLOv5s网络车牌检测准确率达到99.6%，LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

随着移动通信、物联网、车联网、工业互联网等网络的发展，电磁环境日益复杂，非法电子设备也日渐增多，各类信号耦合互调现象严重，这给泄漏信号类型识别带来了难题。提出基于融合特征的泄漏信号分类识别方法，综合运用高维度特征提取方法和图形化降维表征方法，结合残差网络等深度学习模型与特征融合分析方法，能够更综合地区分多类电磁泄漏信号，特征抗噪声鲁棒性高，方法可解释性好，可支撑基于电磁信号类型识别的辐射源智能检测工程应用。

针对低信噪比条件下，现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题，提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先，利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像；然后，根据应用场景特点，选择卷积神经网络（Convolutional Neural Networks, CNN）“压缩”范围；最后，构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明，在同等体量的设计下，与当前较为常用的标准CNN以及ResNet模型相比，所提模型能够降低信号识别运行时间约88%，在信噪比为−14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法，具有潜在的工程应用前景。

针对肺部X射线图像的病灶区域较小、形状复杂，与正常组织间的边界模糊，使得肺炎图像中的病灶特征提取不充分的问题，提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型，设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块（GADRM），采用双残差结构进行高效的特征融合，将双残差结构与通道混洗、通道注意力、空间注意力结合，增强模型对于病灶区域特征的提取能力；在网络的高层采用全局局部特征提取模块（GLFEM），结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征，获得高层语义信息的全局特征，进一步增强网络的语义特征提取能力；设计了跨层双注意力特征融合模块（CDAFFM），融合浅层网络的空间信息以及深层网络的通道信息，对网络提取到的跨层特征进行增强。为了验证本文模型的有效性，分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明，本文所提出网络的准确率、精确率、召回率，F1值和AUC值分别为98.41%，94.42%，94.20%，94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断，具有重要的临床作用。

针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题，提出了基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。首先，对二值化图像进行数字形态学处理，计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次，对有效BLOB区域个数大于1的完全分离双目标准直图像，统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量，数量小的候选BLOB区域为主激光目标，数量大的候选BLOB区域为模拟光目标。然后，对于有效BLOB区域个数等于1的待识别图像，从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列，搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时，待识别图像为模拟光目标；当4个方向的相关系数都小于0.95时，待识别图像为主激光目标；否则待识别图像为粘连图像。实验结果表明：提出的双光学目标识别算法，不仅能够识别完全分离的模拟光目标和主激光目标，误差小于3个像素，处理时间小于1 s，而且能够判别处于粘连状态的光学目标和单个独立的光学目标，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。

利用光纤布拉格光栅在触觉传感方面的高灵敏和柔韧性优势，进行了滑触感知和分类训练研究，实现了在线材质识别。通过理论分析，优化光纤光栅封装，搭建了光纤光栅滑触感知平台，并研究其上位机控制方法及材质在线识别分类算法，提取中心波长的均值最大差值、差值、极差特征作为三维特征，应用支持向量机算法进行分类训练。训练结果表明，在5、10、15 cm/s滑移的混合数据集下，对粗布、PLA、砂纸800目的分类准确度达96.6%。相较于其他特征分类法，具有更好的分类能力和适应不同滑移速度的优势。在5~15 cm/s随机滑速的36次（3类材质×3个样品×4次滑移）验证测试中正确识别了34次。研究成果可为智能感知机器人提供一种在线新颖的材质识别方法。

在生物特征识别技术的研究中，软特征的集成实验一直采用主特征之间的集成实验模型。软特征在适用范围、识别能力等方面与主特征有很大差别，直接使用主特征之间的集成机制无法有效地挖掘和利用软特征中的区分性信息，造成实验结果不够理想和准确。基于此，该文深入分析软特征的特性，提出“有效的互补性”和“个性化集成”两点集成要求，并在量化有效的互补性基础上，结合“最小错误率”目标，利用最小二乘法为每一个用户建立局部集成模型。将集成模型用于人脸识别和指纹识别两个实验场景，验证了该文对问题分析的合理性以及所提方法在提高识别准确率方面的有效性。