近年来，随着深度学习的发展，基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法，包括光谱特征提取网络和空间特征提取网络两个部分，并使用一种得分融合策略进行融合。在光谱特征提取网络中，引入注意力机制来缓解因光谱维数过高导致的梯度消失问题，以提取多尺度的光谱特征。在空间特征提取网络中，引入注意力机制作用于网络主干，使其关注邻域内的重要部分，帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验，实验结果表明，所提方法能够稳定、有效地提升高光谱图像的分类准确率。

针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。

为了提高室温下多孔硅对NO₂气体的灵敏度，提出采用化学气相输运沉积法在多孔硅表面生长VO₂纳米颗粒，形成多孔硅基VO₂纳米颗粒复合结构，通过调节VO₂的沉积压强来改变VO₂纳米颗粒的尺寸，研究其对多孔硅基VO₂纳米颗粒复合结构室温气敏性能的影响。利用场发射扫描电子显微镜、X射线衍射仪、能谱仪和透射电子显微镜对复合结构的微观形貌、物相和晶体结构进行表征分析。实验结果表明，在沉积压强为330 Pa下获得的复合结构，对摩尔分数为5×10^-6 的NO₂的室温灵敏度达到最大（13.15），是多孔硅灵敏度的5.95倍，并具有良好的选择性。对NO₂展现出优异的气敏性能是由于粒径较小的VO₂纳米颗粒表面活性增强，与多孔硅之间形成较宽的耗尽层，从而提高了气敏性能。该研究将有助于提升多孔硅在NO₂气敏传感器中的应用。