设计了一款低相噪蓝宝石振荡器并对其进行温度控制，基于蓝宝石谐振器理论，采用有限元仿真软件完成了蓝宝石谐振器设计。蓝宝石谐振器实测中心频率为9.84 GHz，有载Q值113 000。将该蓝宝石谐振器作为选频网络与放大器、滤波器、移相器和耦合器构成低相噪蓝宝石振荡器。振荡器的输出工作频率9.84 GHz，输出功率9 dBm，偏离载波1 kHz处相位噪声为−117 dBc/Hz，偏离载波10 kHz处相位噪声为−144 dBc/Hz，偏离载波100 kHz处相位噪声为−161 dBc/Hz。该振荡器有助于提高雷达对于低慢小目标的检测能力。

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。

针对遥感图像中小目标对象存在像素少、信息有限、检测困难和失准等实际问题，对YOLOv5进行改进，提出增加残差连接与跨层注意力的方法来提升模型对遥感图像中小目标的检测能力。该方法采用对特征图进行残差连接并增加检测头的方式，有效提高了YOLOv5在遥感图像中对小目标的检测能力。此外，还通过跨层注意力为不同网络层的特征附加语义信息，从而提高模型对遥感图像中复杂背景信息的抑制能力。在Detection in Optical Remote（DIOR）遥感数据集的实验中，所提方法取得了86.4%的平均精度均值（mAP），小目标检测精度评价指标（APs）达23.4%，比基准网络高出5.9个百分点。实验结果表明，所提方法在遥感图像小目标检测问题上具有较好性能，同时也验证了特征金字塔中底层特征图与注意力机制对提升小目标检测性能具有十分重要的作用。

为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题，提出一种基于特征融合与注意力机制的遥感图像小目标检测算法FFAM-YOLO（Feature Fusion and Attention Mechanism YOLO）。该算法首先针对主干网络特征提取有效信息量少、特征图信息表征能力弱的问题，构造特征增强模块（FEM）以融合较低层级特征图中多重感受野特征，提升算法主干网络的目标特征提取能力；其次，主干网络提取得到高低层级特征图后，建立重构算法的高低层级特征融合结构，利用特征融合模块（FFM）显著增强小目标的特征信息；在增强的有效通道注意力机制（E-ECA）与空间注意力模块（SAM）所组成的级联注意力机制（ESM）作用下，可更精确地捕获小目标特征；最后在输出的两路特征图上进行小目标检测并输出结果。实验结果表明，基于构建的遥感图像小目标数据集USOD（Unicorn Small Object Dataset），所提算法的查准率达到91.9%，查全率达到83.5%，检测框与真实框之间的交并比阈值（IoU）为0.5时的平均精度（AP）为89%，IoU为0.5∶0.95时的AP达到32.6%，检测速率达到120 frame/s，具有一定的鲁棒性和实时性。

针对传统遥感图像检测算法中人为干预多、速度慢、检测精度低等问题,提出一种基于深度学习的遥感图像检测方法。采用密集连接的网络结构,充分利用每层网络提取的特征,减少网络推理时间;采用具有更大感受野的扩张块结构;使用扩张块结构和反卷积网络结构将浅层特征图和深层特征图进行信息融合,从而增强遥感图像中多尺度目标的检测能力。实验结果表明,该检测方法具有更高的准确率和更短的检测时间,尤其在小目标物体的检测上表现出更好的性能。