在梳理电磁物理空间认知概念模型基础上，针对电磁空间物理域和信息域不能有效融合以及电磁信息应用智能化不足两大问题，提出了智能电磁空间的概念。智能电磁空间必须具有表征、理解、预测和决策4 种能力，其特征是以模型为核心，以软件为载体，高度依赖数据驱动，达到对物理世界的精准映射，为作战指挥和部队行动提供智能决策服务。从电磁空间信息组织机理着手，进一步解决多源异构物理—信息数据融合问题的研究思路，构建了智能电磁空间的技术架构，提出了结合GeoSOT 的高维电磁网格数据(GeoSOT-ND)模型高维张量建模与计算、多域电磁空间感知与高效存储、全维电磁态势重构与智能推演、基于网格数据驱动的应用方法等亟待突破的关键技术及实现思路。

冷原子重力梯度仪利用原子的量子态叠加特性和物质波干涉特性测量绝对重力梯度信息, 具有高精度、低漂移、自校准等特性, 在深地/深海资源开发、地质灾害预警预防、战场环境建设与作战保障、地球科学研究等领域均具有重大潜在应用价值。简要描述了冷原子重力梯度仪的工作原理及实现方案; 综述了冷原子重力梯度仪的技术优势及国内外研究现状; 分析了冷原子重力梯度仪当前面临的痛点、难点问题, 并对部分问题提出了解决方案, 总结了冷原子重力梯度仪的发展趋势。

为解决现有多尺度变换方法在融合红外与可见光图像时出现对比度低和边缘轮廓不清晰问题，提出一种基于对比度和结构提取的方法。首先对可见光图像进行自适应增强，对红外图像进行线性归一化处理；然后分别利用稠密SIFT描述符和局部梯度能量算子提取图像的局部对比度和显著结构，结合局部对比度和显著结构的权重得到权重图，通过快速引导滤波器消除权重图的不连续性和噪声；最后利用金字塔分解方法对细化后的权重图和经过增强和线性归一化的源图像进行融合。在公共数据集上进行大量实验，使用6种评价指标对实验结果进行定量分析，并对所提方法与10种主流的图像融合算法进行定性对比。实验结果表明，所提方法可以有效保留源图像的对比度、边缘轮廓和细节信息，并在视觉感知和定量指标上取得更优的融合效果。

石英晶体是一种重要的双折射材料，广泛应用于光学相关领域。石英晶体在宽光谱下的参数测量通常使用椭圆偏振法，但现有的椭偏测量仪器往往假定晶体的光轴与测量光路对准，从而引入测量误差，这一问题在紫外波段尤为显著。为此提出了一种采用椭圆偏振法精确测量石英晶体参数的穆勒矩阵模型，运用坐标变换和Berreman 4×4矩阵理论建立石英晶体参数与穆勒矩阵的关联，通过拟合计算可以得到晶体的厚度、光轴欧拉角和相位延迟量。实验结果显示，拟合得到的穆勒矩阵与测量结果高度一致，模型拟合的均方根误差<5，拟合厚度的相对误差<1%，拟合的欧拉角与测量结果吻合。该模型包含的信息丰富，拟合准确，对椭圆偏振法测量各向异性材料的精确参数具有重要参考价值。

为了给国内重力梯度仪的实物制造夯实理论基础, 该文主要研究了伞型全张量旋转加速度计重力梯度仪信号模拟的产生。通过半物理仿真实验模拟了伞型重力梯度仪的测量过程, 并对全张量重力梯度仿真系统进行性能测试。测试数据为MATLAB生成的理想状态下的伞型重力梯度仪三圆盘加速度计数据, 将该数据载入全张量重力梯度仿真系统中, 解调得到交叉和内联重力梯度分量, 经过线性运算得到测量坐标系下的全张量重力梯度值, 再进行坐标系转换, 得到平台坐标系下的重力梯度值。结果表明, 该仿真系统测量精度达到1E(1E=1×10-9 s-2)。

异常目标检测是当前高光谱图像处理中的一个研究热点。针对当前异常目标检测算法存在的问题, 从解决高光谱图像中含有的背景、异常目标和噪声等相关量出发, 利用高光谱图像的空间谱和光谱特性, 提出了联合低秩张量分解和稀疏表示的新的高光谱图像异常目标检测算法。该算法首先利用低秩张量分解模型对高光谱进行图像恢复, 使图像质量得到提升, 从而使得异常目标变得突出, 易于进行目标检测; 然后, 再利用稀疏差异指数进行异常目标检测, 得到需要的异常检测结果; 最后, 利用真实的高光谱图像进行仿真实验, 结果表明, 新的异常目标检测算法具有检测精度高、虚警率低和鲁棒性好的特点。

针对目前广泛使用的基于磁梯度张量不变量的磁性目标定位方法未考虑椭圆系数的变化而导致定位精度降低这一问题, 提出一种新的单位距离矢量求解方法和距离矢量模求解方法。通过分析磁性目标与测量系统之间的位置关系, 构建新的单位距离矢量, 并通过麦克劳林公式和磁梯度张量不变量分别构建新的存在一阶误差与二阶误差的距离矢量模, 避免未考虑椭圆系数变化而导致定位精度降低。仿真试验验证了所提方法较以前方法定位精度有明显提升, 存在一阶误差与二阶误差的距离矢量模对定位精度的影响基本相同。该方法对进行探潜和未爆炸物的检测等方面具有较高的研究和应用价值。

针对卷积神经网络处理图像分类任务时提取特征不充分以及提取到的特征不区分贡献度的问题，提出了一种融合张量合成注意力的改进ResNet-101（RTSA Net-101）网络模型。首先，利用ResNet-101骨干网络提取图像特征，并在残差网络卷积结构后嵌入张量合成注意力模块，对获取的特征进行三张量积计算，得到注意力特征矩阵；然后，使用Softmax函数对注意力特征矩阵进行归一化，从而为特征分配权重，以区分特征的贡献度；最后，将得到的权重和对应的键值加权求和，获取最终图像完整特征，以提升模型的图像分类精度。在自然图像数据集CIFAR-10、CIFAR-100和街牌号数据集SVHN上进行了对比实验，模型分类准确率分别为96.12%、81.60%、96.67%，图像平均测试运行时间分别为0.0258 s、0.0260 s、0.0262 s。实验结果表明：相比于其他7种先进图像分类模型，RTSA Net-101模型可以获得更高的分类准确率和更短的测试运行时间，且能够有效地增强网络的特征学习能力，具有一定的创新性、高效性。