乳腺癌是世界上对于女性非常危险的疾病, 其患病率逐年增长, 是世界妇女死亡的主要原因。 在大样本情况下, 乳腺癌临床诊断受优质医疗资源相对短缺的限制, 诊断周期长、 检测费用高。 因此, 高效、 准确、 性价比高的乳腺癌诊断方法具有广阔的应用前景, 为临床诊断迫切需求。 荧光光谱检测是一种可以表征细胞中物理和化学综合变化的方法, 可用于表征正常和癌变细胞的特征。 机器学习擅长从大量数据中挖掘有用信息, 是进行分类和预测的有效手段。 以往机器学习多使用包含部分生化信息的数据库训练模型, 易导致信息缺失。 荧光光谱是细胞多种物质的叠加光谱, 使用荧光光谱特征峰诊断乳腺癌存在量化不确定性问题。 因此, 提出了机器学习结合乳腺癌样本荧光光谱的诊断方法。 使用405 nm波长的激光, 采集了正常和癌变乳腺组织(已做出病理诊断)的荧光光谱数据, 以此作为数据集, 比较了K-近邻(KNN)、 支持向量机(SVM)、 随机森林(RF)三种算法对正常和癌变乳腺组织荧光光谱的分类能力。 判别结果显示: 与SVM算法相比, KNN和RF算法的准确率更高、 平衡召回率和精度的能力更强, 对乳腺癌荧光光谱的分类能力更好, 其准确性、 召回率、 精度以及F1-score函数结果均在95%之上, 更利于乳腺癌的诊断。 进而探讨了权重KNN(WKNN)算法对正常和癌变乳腺组织荧光光谱的分类能力。 WKNN较KNN算法的分类评估结果有小幅度提升, 且具有更好的抗噪和适应能力, 算法简单。 综上所述, 本文提出的机器学习结合荧光光谱的乳腺癌诊断方法, 精度高、 速度快、 性价比高, 是未来乳腺癌诊断方法的发展方向, 具有重要的临床应用价值。

乳腺组织自体荧光光谱法通常采用420～512 nm波段的光源，本次实验采用波长为405 nm的激光源获取乳腺组织切片的自体荧光光谱，避免了活体检测时脂肪和血液对光谱的干扰。荧光光谱是多种发光基团的叠加光谱，基于荧光光谱对乳腺癌细胞的生化信息进行定性和定量分析时，光谱特征峰不易分辨。本文提出了高斯函数拟合乳腺组织切片荧光光谱的方法，该方法可有效分离重叠峰。与正常组织相比，癌变组织的荧光特征峰出现了明显的红移现象。通过面积比值法分析了正常与癌变乳腺组织中荧光物质的差异，癌变组织在517 nm和635 nm处的峰面积与492 nm处的峰面积之比(A₅₁₇/A₄₉₂和A₆₃₅/A₄₉₂)分别是正常组织的2.4～5.5倍和5.4～8.5倍，可作为诊断乳腺癌的标准。最后，本文分析了支持向量机(SVM)算法对乳腺组织荧光光谱进行分类的可行性，分类准确率为87.50%，为乳腺癌的快速诊断提供了新方向。

为了促进红外检测技术在材料导热系数检测上的研究, 提出了依据相位为识别条件的共轭梯度反演算法。针对研究问题, 建立了二维导热问题下的材料等效导热系数分布的红外检测模型, 应用有限体积法计算出检测表面的温度分布, 经 FFT(Fast Fourier Transform)变换, 得到检测表面的相位分布, 以此相位为识别条件, 采用共轭梯度算法实现了对材料等效导热系数分布的定量检测, 并采用数值实验验证了检测方法的有效性。

为提高定标精度, 提出一种基于相关光子的光辐射定标方法, 它是一种独立于基于辐射源和基于探测器的定标方法。利用351.1 nm的激光抽运BBO晶体产生的相关光子, 建立了一套基于相关光子的光辐射定标系统, 分析了它的原理和实验装置, 给出符合测量系统, 并对结果进行了讨论。结果表明, 该系统定标的光电倍增管(R2949)在702.2 nm的量子效率为 (5.960±0.003)%, 与其在这一波长的量子效率典型值的相对误差约为1.0%, 测量结果的相对合成标准不确定度为2.61%。

自发参量下转换(spontaneous parametric down－conversion，SPDC)光场是一种非经典光场，它是由单色泵浦光子流和量子真空噪声对非线性晶体的综合作用而产生的。基于量子理论解释了SPDC光场的产生机理，说明从经典理论如何理解SPDC光场。较全面介绍了SPDC光场的非经典特性及在激光技术、遥感、量子通讯等领域的应用研究进展，展望了它应用研究的发展方向与前景。

介绍了一种实现绝对定标单光子探测器量子效率的方法。该方法是利用自发参量下转换产生的纠缠光子对绝对定标单光子探测器量子效率。它的定标不确定度与传统方法相比,具有较好的一致性。同时,利用这一方法也使实现“无标准传递”的辐射定标成为可能。

叙述了自发参量下转换辐射定标技术的发展历程,技术原理以及在光学计量学中的应用,并介绍了国外这一领域的进展。

使用Nd:YAG激光器的倍频(0.532 μm)光泵浦BBO晶体光参量振荡器,使用一组腔片,获得0.7～2.1μm可调谐激光输出,并对实验结果进行了分析.