针对迷你无人飞行器（mini-UAV）探测难度大的问题，仿真设计并制作了谐振频率接近mini-UAV噪声特征频率的硅基微机电系统（MEMS）轮形振膜，结合精密机械加工制作了光纤法布里-珀罗干涉式声传感器。测试结果表明，该光纤声传感器的谐振频率为7.279 kHz，与仿真结果基本一致，其在频率为7 kHz声波正入射的条件下的灵敏度为1.8 V/Pa，信噪比为71 dB，最小可探测声压为99 μPa/Hz^0.5。值得强调的是，该声传感器对声波的响应呈现“8”字形的方向依赖性，表明其具有识别声源方向的能力。进一步在户外测试了该光纤声传感器对mini-UAV的探测能力，结果表明，声传感器能够在65 m的范围内探测到mini-UAV噪声，其探测距离是商用驻极体声传感器的3倍左右。所研制的硅基MEMS轮形振膜光纤声传感器为解决实践中mini-UAV探测难的问题提供了一种简单有效的工具。

无人机易于受到高功率微波干扰和损伤，无人机机载天线是高功率微波干扰的重要耦合途径。为了研究无人机机载天线高功率微波耦合响应，以数据链天线和导航接收机天线为研究对象，根据无人机实际布局，建立高功率微波辐照下无人机机载天线的耦合模型，通过仿真天线辐射模型远场辐射方向图及S₁₁参数验证天线模型的准确性，得到不同辐照场景和高功率微波辐射场参数下数据链天线和导航接收机天线端口的耦合电压，并进行了典型场景试验验证，结果表明：L波段高功率微波辐照下数据链天线的耦合电压较S、C和X波段更高，相较于水平极化，垂直极化辐射场对无人机数据链的干扰效果更佳，耦合电压与辐射场强成线性关系，受脉宽和前沿的影响较小；空中高功率微波辐照场景下导航接收机天线的耦合电压较地面高功率微波辐照场景更高，该研究将在高功率微波**打击无人机方面提供理论参考依据。

光电经纬仪测量飞行目标的姿态角是重要的测姿手段。提出了一种利用实时动态载波相位差分技术（RTK）定位的无人机对光电经纬仪的测姿精度进行检测的方法。该方法将无人机RTK天线中心点与地面基准点构成的连线作为待测姿态角的轴线，通过RTK定位值计算出轴线与基准面之间的夹角，并以此作为姿态角的标准值来检测光电经纬仪测姿精度。介绍了测姿精度检测原理，对RTK定位精度和检测精度进行了不确定度分析，探讨了在精度检测时的设备布站规则。理论分析和实验结果表明：所提方法可以用于光电经纬仪测姿精度的外场检测。

针对现有语义分割方法检测高速公路护栏时存在预测速度慢、分割精度低的问题，提出一种基于改进DeepLabV3+的无人机高速公路护栏检测方法。首先，采用MobileNetv2网络替换原模型的主干并输出中层特征，减少参数量的同时恢复降采样过程中丢失的空间信息；然后，采用密集连接扩张卷积改进空洞空间金字塔池化，以减少漏分割现象；最后，在编码器部分引入空间分组增强（SGE）注意力机制，减少错分割现象。实验结果表明，改进后模型平均交并比、平均像素准确率、画面每秒传输帧数达到了79.20%、87.89%、52.59，相比基础模型，分别提高了2.59%、2.93%、56.70%，参数量降低了78.85%，能够在保障模型预测速度的同时提高对护栏的分割精度。

高分辨率无人机遥感图像具有极为丰富的语义和地物特征，在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题，基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先，利用多种主干网络进行下采样，采集图像的低级特征和高级特征。其次，将原模型的atrous spatial pyramid pooling（ASPP）全部替换成深度可分离混合空洞卷积，同时添加自适应系数，减弱网格效应。之后，抛弃传统上采样的双线性插值法，替换为可学习的密集上采样卷积。最后，在低级特征中串联注意机制。选用多种主干网络进行实验，数据集选用四川省隆昌市地区的部分图像，采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明：所提方法不仅具有较高的分割精度，而且减少了计算量和参数量。

现有无人机(UAV)测控终端设备综合化程度不高，互通能力较差，不能满足未来无人机的模块化、综合化、通用化发展趋势。针对上述问题，采用“系统高度集成+功能综合可重构”的模式，提出一种可适用于机载，也可适用于地面的无人机综合一体化测控终端设计。采用标准模块构建开放式硬件平台，实现高集成综合处理能力；设计了动态重构的通信波形加载机制，完成通用测控链路中通信体制的在线更新及升级；进行标准化通信协议研究，提供不同型号测控链路的互联互通基础。实测结果表明，该设计可在数分钟内完成动态重构并有效支撑不同任务。

作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。