针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战，本研究提出一种复合神经网络模型，用于预测产生了截断的脉冲高度。该模型将长短期记忆模型（Long and Short-term Memory，LSTM）嵌入UNet结构，采用模拟脉冲数据集对模型进行训练，使用相对误差指标对模型性能进行评估。结果显示：在对模拟脉冲序列进行脉冲高度估计时，UNet-LSTM模型的平均相对误差约为2.31%，相较于传统的梯形成形算法的平均相对误差降低了1.91%；在粉末铁矿样品和粉末岩石样品的实际测量中，不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能，在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%，表明该模型可以准确估计截断脉冲的高度。

为提高在役高压电缆X射线扫描图像重建速度，结合传统的滤波反投影算法，提出基于数据平滑的局部扫描重建算法。分析了源直线扫描局部计算机断层成像方法存在的有限角和数据截断问题，提出数据平滑方式解决方法。主要途径是利用余弦函数沿探测器方向和射线源方向分别进行数据平滑插值，避免投影数据值在这两个方向上突然降为零，起到抑制截断伪影和有限角伪影的作用。实验证明，所提方法能有效抑制图像伪影，有利于电缆阻水缓冲层缺陷识别。相较于原有的联合迭代重建算法，该方法缩短了重建时间且图像重建质量相当；相较于传统滤波反投影算法，重建图像质量提高但重建耗时基本一致。

与标量涡旋光束不同，矢量涡旋光束同时具有各项异性的空间偏振分布和螺旋相位分布，并携带与相位分布有关的轨道角动量(Orbital angular momentum，OAM)。根据柯林斯衍射积分理论，得到了傍轴近似条件下矢量涡旋光束的OAM密度，实验采集了矢量涡旋光束通过光阑-透镜系统后的光场，详细讨论了光阑截断参数以及光阑-透镜间距等参数对矢量涡旋光场及其OAM密度的影响。结果表明：相比标量涡旋光束，矢量涡旋光束OAM通过光阑系统后随传输距离的衰减更慢，受光阑截断参数影响更小。矢量涡旋光束偏振态不受光阑-透镜系统影响，截断参数大于4.2时，轨道角动量密度和光强不受截断参数影响。在透镜焦点位置处，OAM密度达到最大值。研究结果为矢量涡旋光束OAM特性的应用提供理论依据。

基本相位截断傅里叶变换系统面对两步傅里叶迭代等攻击算法时，防御能力差极易被攻破，且加密时间长，密文密钥体积大，不便于分发与传输。提出将压缩感知与相位截断傅里叶变换光学非对称加密相结合，明文经离散小波变换分为低频信息和高频信息，利用压缩感知对高频信息压缩2/3，将其转化为低频信息的相位信息，共同构造大小为原明文图像1/4的待加密复图像。在第一块相位调制模板后增加一块振幅模板，采用设定阈值振幅截断方式，将部分振幅信息作为新私钥，相位角作为密文，实现加解密密钥完全不同，且一图一密。系统安全性能实验、攻击实验和对比实验表明，该加密系统可有效抵御各种攻击，鲁棒性高、传输量小、加密耗时短、解密图像重构质量好，整体性能优良。

基于卷积神经网络的深度学习算法展现出卓越性能的同时也带来了冗杂的数据量和计算量，大量的存储与计算开销也成了该类算法在硬件平台部署过程中的最大阻碍。而神经网络模型量化使用低精度定点数代替原始模型中的高精度浮点数，在损失较小精度的前提下可有效压缩模型大小，减少硬件资源开销，提高模型推理速度。现有的量化方法大多将模型各层数据量化至相同精度，混合精度量化则根据不同层的数据分布设置不同的量化精度，旨在相同压缩比下达到更高的模型准确率，但寻找合适的混合精度量化策略仍十分困难。因此，提出一种基于误差限制的混合精度量化策略，通过对神经网络卷积层中的放缩因子进行统一等比限制，确定各层的量化精度，并使用截断方法线性量化权重和激活至低精度定点数，在相同压缩比下，相比统一精度量化方法有更高的准确率。其次，将卷积神经网络的经典目标检测算法YOLOV5s作为基准模型，测试了方法的效果。在COCO数据集和VOC数据集上，该方法与统一精度量化相比，压缩到5位的模型平均精度均值（mean Average Precision, mAP）分别提高了6%和24.9%。