系统研究了退火温度对硅薄膜结构和光学性能的影响。通过电子束蒸发工艺制备硅薄膜，然后在氮气保护下对薄膜样品在200～500°C范围内进行退火处理。使用XRD、拉曼光谱、电子自旋共振和透射光谱测量等方法对薄膜样品进行了表征。结果显示，随着退火温度的升高，非晶硅薄膜结构有序度在短程和中程范围内得到改善，同时缺陷密度显著降低。当样品在400°C退火后，消光系数k由6.14×10^-3下降到最小值1.02×10^-3 （1000 nm），这是由于此时硅薄膜缺陷密度也降到最低，约为沉积态薄膜的五分之一。试验结果表明，硅薄膜在适当的温度下退火可以有效地降低近红外区膜层的光学吸收，这对硅薄膜在光学薄膜器件研制中具有重要应用。

区域叶面积指数（Leaf Area Index, LAI）定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题，提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络（Small Simple Learning LAI-Net, SSLLAI-Net）。该网络由2个卷积层、1个池化层和3个全连接层构成，将光谱反射率数据作为网络输入端、输出端得到LAI反演值，且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program （EnMAP）为数据源，以该区域的谷物、玉米、油菜、其他作物为研究对象，数值实验结果表明当各作物类别的训练样本量均为50时，基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90；且在添加噪声的情况下，各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89。综上，提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的，且该模型能够支持稳定的小样本建模。

针对监督分类提取不透水面需要人工获取大量训练样本的制约，提出了一种亚米级高空间分辨率夜光遥感影像引导下的不透水面自动提取方法。以夜光强度信息作为先验知识，判别对应地理位置的Landsat8 OLI影像像元为不透水面正负训练样本后，提取OLI影像的光谱和纹理特征构建特征集，利用集成ELM分类器提取不透水面。选择全球4个具有代表性的城市作为试验区进行验证，结果显示，该方法在4个试验区的不透水面提取精度均超过93%，Kappa系数均在0.87以上。对比BCI指数与人工选取训练样本的不透水面提取结果，发现该方法在4个试验区的总体精度均优于指数法，主要原因是该方法相较于BCI指数法可以更有效地区分裸土和不透水面。提出的自动提取方法在3个试验区的总体精度高于或接近人工样本分类方法，但在哈尔滨试验区的总体精度略低，主要是因为在自动选择样本过程中灯光强度弱的不透水面未被选为正样本导致部分漏提。研究表明，高分辨率夜光数据可以作用遥感影像解译与地物提取的先验知识，引导自动分类提取模型的构建，具有较高的实用性。

光子人工智能芯片以光速执行运算，且具有低功耗、延迟低、抗电磁干扰的优势。小型化与集成化是实现这一技术革新的关键步骤。本文将光刻技术运用于衍射光栅的制作，提出一种基于10.6微米激光的全光衍射深度学习神经网络光栅设计及实现方法。由于光源波长由毫米波向微米波进化，神经元的特征尺度缩小至20微米，与现有光衍射神经网络相比，深度学习神经网络特征尺寸缩小了80倍，为进一步实现光子计算芯片大规模集成奠定了基础。

设计了一种用于850 nm GaAs基VCSEL的高折射率对比度亚波长光栅（HCG），整体结构采用GaAs材料体系，包含光栅层及为缓解其应力问题而设计的应力缓冲层和以AlGaAs或AlAs氧化后形成的AlO_x低折射率亚层。通过Rsoft软件对HCG的反射特性进行仿真研究，分析了不同光栅参数对反射谱的作用规律，重点探究了应力缓冲层和低折射率亚层对光栅特性的影响。设计了中心波长850 nm 的TM模HCG，反射率大于99.9%的带宽可达91 nm，与中心波长之比达到10.7%，同时TE模的反射率不超过90%，显示出了良好的偏振选择性。该结构可以替代VCSEL中的P型分布式布拉格反射镜，提供高反射率、宽带宽，并改善由不同材料体系所导致的应力问题，提高器件稳定性。

提出一种红外波段低损耗的空芯反谐振光纤，石英包层管为半圆半椭圆拼接结构，采用全矢量有限元法进行设计与研究。半椭圆管的半短长轴与半圆管的半径相等，将半圆管与半椭圆管进行拼接，改变半圆的半径以及半椭圆管的半长轴来改变靠近纤芯处的负曲率以及远离纤芯的正曲率，进而研究包层管的正负曲率对空芯反谐振光纤的损耗特性的影响，设计应用于1.5~3.0 μm波段的低损耗空芯反谐振光纤。结果显示负曲率较小正曲率较大时限制损耗效果更好。当靠近纤芯处为圆形半管远离纤芯处为椭圆半管，圆形半径r_y=25 μm，椭圆的半长轴r_x=65 μm，半短长轴r_y=25 μm时，光纤最低限制损耗在波长2.1 μm处为8.22×10^-2 dB/km。

设计了一种工作在太赫兹（THz）频率下的微带八木（QYU）天线.该天线由金属微带传输线、金属反射器、金属半圆形辐射贴片和三组单分子层-石墨烯-贴片导向器组成.由于石墨烯的电导率可电调谐特性,可以通过调整施加在石墨烯导向器上的偏置电压来动态调控天线的辐射方向.通过对天线的基本性能和可调特性系统地模拟和优化,数值结果表明,通过改变加在石墨烯导向器的偏压,天线的主辐射波瓣角φ（方位角）可以在30°- 150°的范围内进行扫描,并且具有非常快的调制速度和非常低的回波损耗.该天线非常适合于相控阵雷达等THz波束可重构应用.

利用无线通讯网络中的微波链路来监测降雨和水汽等是大气环境监测的新技术之一。这个技术可以测量近地面的降雨强度和水汽密度等气象参数，具有时空分辨率高、成本低等优势。利用瑞典爱立信公司（Ericsson）提供的位于哥德堡地区E频段的微波通讯链路资料、位于链路一端的气象站1资料和由瑞典气象水文研究所（SMHI）气象网站提供的气象站2资料，对2017年06月13日至2017年07月13日近1个月的水汽密度进行反演计算和分析。结果表明：同一区域的不同地点处的气象要素有一定的差异性，同一区域的温度会有一定的浮动0~4℃，两者之间的相关性为0.87；微波通讯链路反演的水汽密度结果与研究区域的地面气象站1和气象站2测量结果有很好的一致性，两者之间的相关性分别为0.89和0.97，均方根误分别差为0.75g/m3和0.79g/m3；利用微波链路，与现有的湿度监测方法相比，可以为现有的天气监测网络提供额外的丰富的数据源。

基于Dyakonov和Shur等离子体波振荡原理设计并流片制备了一种采用65 nm 标准CMOS工艺的3.0 THz探测器，探测器包括贴片天线、NMOS场效应晶体管、匹配网络及陷波滤波器。探测器在室温条件下可达到526 V/W的响应率（Rv）和73 pW/Hz^1/2的噪声等效功率（NEP）。采用该探测器和步进电机搭建了太赫兹扫描成像系统，获得了太赫兹源出射光斑的远场形状，光斑的半高宽（FWHM）为240μm；并对聚甲醛牙签和树叶进行了扫描成像实验，结果表明CMOS太赫兹探测器在成像领域有潜在的应用前景。

碲镉汞（HgCdTe）线性雪崩焦平面因其相对低的过剩噪声、较小的工作电压、线性可调等优点，得到了广泛关注。基于电子雪崩中波HgCdTe PIN二极管结构，开展暗电流模型和Okuto-Crowell增益模型仿真。通过改变器件材料结构参数模拟不同电压下的暗电流和增益特性。计算讨论了不同I区（本征区）厚度和载流子浓度对器件暗电流和增益的影响。结果表明结区峰值场强的变化会导致直接隧穿（BBT）电流产生率数量级上的剧烈变化；增加I区厚度和降低I区掺杂浓度可有效抑制BBT电流；增益随场强的变化趋势与BBT电流随场强的变化趋势一致；因此抑制BBT电流的措施会造成增益性能的下降，需要优化参数以获得最佳性能。综合考虑暗电流和增益性能，I区的厚度应不小于3μm，I区浓度需控制在5×10¹⁴cm^-3以下。单元中波APD的增益实验结果与仿真数据较好地吻合，表明了理论模型的正确性。

木材往往堆积在室外，在对木材样本采集高光谱图像时往往会受到外界因素（光照、温度、湿度）的影响，从而造成木材树种的误判。为了解决这一问题，本文利用PLS（Pattern Lacunarity Spectrum）和LBP（Local Binary Pattern）对木材横截面的高光谱图像的纹理信息进行了特征提取，而后将高光谱图像的近红外光谱与纹理特征相融合，并以融合后的新特征作为识别的依据，最后使用SVM（Support Vector Machine）和BP（Back Propagation）神经网络两种分类器对木材树种进行了识别，实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别，本文仿真了光照变化对高光谱图像的影响，并对比了影响前后的识别正确率，结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别，优于传统的和近期主流的木材树种分类算法。

在汽车智能驾驶系统中，激光雷达由于其独特的三维成像能力，成为场景探测感知传感器群组中不可或缺的组成部分。为提升单一波长激光雷达在物性探测分类和状态上的性能，借鉴多光谱探测具有物性探测能力的原理，论文对适用于汽车智能驾驶的多光谱激光雷达的波段选择进行了可行性研究，利用主成分分析法对智能驾驶中典型目标进行光谱计算及分析，结合激光光源特性以及光电探测器的特性，综合多光谱激光雷达波段选择方法和智能驾驶应用场景中典型目标地物光谱特性，以及商用激光雷达的可获得性, 得出了适用汽车智能驾驶的多光谱激光雷达的波长可以选择808 nm、905 nm、1 064 nm、1 310 nm，并通过测试验证了多光谱激光雷达所选波长的有效性。

利用吸收、光电流和光致发光等光谱表征并结合理论报道，分析了缺陷态丰富的铜锌锡硫半导体材料的光学带隙、带尾态和深浅杂质能级，揭示了SnZn相关的缺陷态是影响铜锌锡硫带边电子结构的关键因素，其中高浓度的中性缺陷簇[2CuZn+SnZn]能导致带隙明显窄化，而离子性缺陷簇[CuZn+SnZn]是主要的深施主缺陷态，同时存在的大量带尾态引起带边相关的光致发光峰明显红移。贫铜富锌条件下，适当减少锡含量，可有效抑制与SnZn相关的缺陷簇，并避免带隙的窄化。

提出协同分层波谱识别法，分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类，并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点：光谱信息高保真融合、敏感谱段提取、“椒盐效应”去除、 消除“同物异谱” 现象导致的误判，协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点，并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类，然后根据目视评判和定量评价，与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化；4尺度面向对象分割抑制“椒盐效应”的效果优于Savitzky-Golay卷积滤波、移动均值滤波；多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法，兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852，较SVM分类分别提高18.68%和17.52%；榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873，较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点，有效利用导数波谱变化特征提取目标敏感谱段，在复杂环境下识别目标地类的能力优于SVM监督分类。