叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。

在靶场试验任务过程中, 光电经纬仪自主稳定跟踪目标是最核心及关键的环节。目前, 利用单一信息源跟踪模式难以适用于不同的靶场任务类型与环境特点。以靶场光电经纬仪跟踪系统为研究平台, 结合跟踪运动过程中实时测量的本机或外部的数据信息, 提出了利用多种光测信息源融合跟踪方法和相应数据处理算法。通过融合跟踪仿真实验获得跟踪最大估计误差为2.49′, 估计随机误差为8″, 满足光电经纬仪试验任务跟踪精度要求,证明了该方法可有效保证跟踪过程的稳定性与可靠性。

在机载多源信息融合领域, 针对空间量测系统误差对状态估计精度造成的不利影响, 提出了一种改进的误差估计与补偿算法。对于数值不变的系统误差, 通过最小均方误差参数估计方法可以定量获得量测偏差中的确定性部分; 将误差配准与目标航迹估计整合进行, 有效提高滤波的精度。仿真结果表明, 该改进算法能够有效抑制系统误差的影响。

针对具有多源验前信息的小子样装备维修性指标验证问题, 当多源验前信息来自不同总体时, 提出了一种混合验前分布下的小子样装备维修性验证方法。结合Bootstrap法, 确定了各验前信息的验前分布, 改进了基于质量因子的可信度加权融合方法, 定义了均值可信度权重因子和样本量可信度权重因子, 权重计算结果更加科学合理, 推导给出了混合验前分布下的Bayes序贯概率比方法。结合某装甲装备维修性验证试验, 对MTTR进行验证, 结果表明：所提方法能有效验证装备维修性指标是否符合设计要求。

针对证据理论不能有效地处理带冲突证据信息的缺点,结合已有的证据理论改进算法研究了一种新的多源信息融合策略并应用于多机协同空战决策。根据不同的前提条件采用不同的融合规则,并在融合过程中引入可靠性度量,以反映具体证据的信任度。同时采用闭世界和开世界的观点,区别两种不同部分冲突信息的分配并考虑融合的顺序,提高冲突证据的融合效率。仿真结果表明所研究的融合策略能够得到较好的空战攻击决策结果。

提出的图像信息融合方法用于解决传统方法在空间分辨率等方面的不足.原始图像经过小波变换,分解成子图像,再进行分块处理,高、低分辨率图像根据全局方差准则分别计算融合的权值系数,进行图像融合重建,然后,对图像采用全局法进行信息融合.实验表明,方法切实可行,能使低分辨率图像接近于高分辨率图像.