在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。

复合绝缘子在不同缺陷类型下表现出不同的发热特征，基于复合绝缘子中心轴温度数据，提出了一种基于一维残差网络的复合绝缘子发热缺陷检测方法。首先，统计分析复合绝缘子不同缺陷类型下的异常温升范围及位置信息，得到各缺陷类型下的复合绝缘子中心轴温度数据样本集；然后，建立一维残差网络模型，在残差块中引入空洞卷积来扩大感受野，并加入有效通道注意力机制模块（efficient channel attention network, ECA_Net），提升与缺陷类别相关性较高的特征权重；最后，进行了算例验证及模型对比，同时采用 t分布随机紧邻嵌入（t-distributed stochastic neighbor embedding, t-SNE）可视化方法，反映模型特征提取的效果。结果表明：该模型能够有效捕捉中心轴线温度数据的空间维度信息，自适应提取类别区分度较大的特征，相较于普通卷积、自编码器（auto encoder, AE）和支持向量机（support vector machine, SVM），其识别准确率得到了提升，具有较好的鲁棒性和泛化能力，实现了端到端的复合绝缘子发热缺陷检测。

目前，红外与可见光图像融合算法依然存在着对复杂场景适用性低、融合图像细节纹理信息大量丢失、对比度与清晰度不高等问题，针对上述存在的问题，本文结合非下采样剪切波变换（ Non-Subsampled Shearlet Transform, NSST）、残差网络（ Residual Network, ResNet）与生成对抗网络（Generative Adversarial Network, GAN）提出一种 N-RGAN模型。通过 NSST变换将红外与可见光图像分解为高频子带和低频子带；对高频子带进行拼接并输入由残差模块改进过的生成器，并将源红外图像作为判决标准，以此提升网络融合性能与融合图像细节刻画以及目标凸显能力；对红外图像与可见光图像进行显著性特征提取，通过自适应加权对低频子带进行融合，提升图像对比度与清晰度；对高频子带的融合结果与低频子带的融合结果进行 NSST逆变换，从而得到红外与可见光图像的融合结果。通过与各类算法的融合结果进行对比，本文所提方法在峰值信噪比（ Peak Signal to Noise Ratio, PSNR）、平均梯度（ Average Gradient, AVG）、图像熵（ Image Entropy, IE）、空间频率（ Spatial Frequency, SF）、边缘强度（ Edge Strength, ES）、图像清晰度（ Image Clarity, IC）等多个客观指标上均有提高，可提升复杂场景下的红外与可见光图像融合效果，改善图像细节纹理信息损失严重的问题，同时提升图像对比度与清晰度。

利用分数涡旋光束进行信息传输，可以大大提高通信系统的容量。但在接收端准确测定分数涡旋光束的模态，尤其在信道中存在湍流的情况下，存在一定的困难。本文提出了改进的残差网络（I-ResNet）以提高模态检测的正确率。实验结果表明，本文构建的网络能够准确地识别光束模态，且具有较好的泛化性。在传输距离为1500 m、弱湍流（Cn2=10-16m-2/3）、模态分辨率Δl≥0.05时，准确率可以达到100%；强湍流（Cn2=10-14m-2/3）、Δl=0.15时，准确率可以达到96.5%。随着湍流强度或传输距离的增加，正确识别率下降。这些结果对自由空间光通信系统设计具有一定的指导意义。

针对复杂电磁环境下干扰信号样本量少而难以识别的问题, 提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵, 计算干扰信号的预测值, 通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明, 该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。