高危阿片类毒品海洛因的泛滥, 对国家安定、 社会经济和人民生命财产安全带来了巨大的危害。 高效、 准确的海洛因及其代谢物的检测鉴定方法在打击毒品犯罪, 处理涉毒案件以及公安禁毒工作中具有十分重要的意义。 表面增强拉曼光谱（SERS）兼具检测速度快、 操作简便、 灵敏度高、 指纹识别及无损检测等优点, 能够实现对毒品的高效、 便携检测。 若结合模式识别技术, 可提高数据处理效率、 避免人为错判的发生, 进而实现自动精确分类识别的目的。 针对溶液中微/痕量海洛因及其代谢物, 提出了基于Au/SiO2复合纳米球阵列（Au/SiO2 NSA）的SERS检测与模式识别相结合的方法, 实现对它们的灵敏检测与高效鉴别。 首先, 采用气-液界面自组装和磁控溅射沉积的方法制备了具有良好SERS活性和结构一致性的Au/SiO2 NSA, 以此为SERS基底（芯片）, 结合便携式拉曼光谱仪, 成功实现了对水溶液中海洛因及其主要活性代谢物（6-单乙酰吗啡（6-MAM）和吗啡）的灵敏检测, 检测限低至10-4 mg·mL-1。 然后, 利用模式识别技术中的系统聚类分析（HCA）、 主成分分析（PCA）和支持向量机（SVM）对所获得的谱图数据进行定性/定量分类识别。 结果表明, 在HCA和PCA均能准确分类的基础上, 采用基于径向核函数、 线性核函数、 多项式核函数、 S型核函数中任意一种建立的PCA-SVM模型, 均能够100%地对海洛因、 6-MAM和吗啡进行定性识别； 选取基于径向核函数的SVM模型, 对不同浓度海洛因定量区分的准确率可达90.1%； 而通过基于线性核函数的SVM模型, 对不同浓度6-MAM和吗啡的判别准确率分别为84.8%、 70.2%。 这项工作不仅为基于SERS的灵敏检测与精准鉴别提供了一种具有实用价值的高质量基底（芯片）, 也为对海洛因及其代谢物进行准确的分类及识别给出了可行的方案。

针对目前遥感图像检测精度低、召回率低、实时性差等问题, 提出基于GhostNet和 CoT多分支残差网络(MBRNet)的遥感飞机检测算法。借鉴YOLOv4网络模型, 采用MBRNet作为新的主干网络, 从而减少梯度消失问题并弥补了CNN欠缺的全局特征计算能力; 为了减少小目标丢失问题, 同时在主干与PANet中引入多方位的特征提取与融合思路, 实现在高、低特征层之间和同尺度特征层之间的信息充分互补。提出的算法在具有背景复杂、过度曝光、目标密集等场景的RSOD 和LEVIR数据集上准确率达到了97.64%, 召回率达到了89.11%。

针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题, 提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析, 使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度, 以轻量级网络MobileNetv3作为主干网络进行特征提取; 此外, 基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计, 使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%, 检测速度提升2.19倍, 在UCAS_AOD, RSOD, DIOR这3个遥感数据集上进行测试, 实验结果表明, 算法鲁棒性强, 能够在保证模型检测精度的同时有效提高检测实时性。

针对在遥感飞机目标检测场景中轻量级算法难以兼顾准确性与实时性的问题, 提出了一种基于YOLOv4结构化剪枝的模型压缩方法。为了使锚框参数更加符合遥感数据集并发挥网络多尺度检测的优势, 采用K-means++算法对数据集进行锚框聚类分析, 并设计尺度自适应调整, 抑制小目标过多以及目标大小接近造成的锚框冗余。此外, 为了减少模型参数量, 利用归一化层中的缩放因子γ进行L1稀疏正则化, 重新评估滤波器及卷积核权重, 对特征信息较少的通道进行迭代剪枝, 然后微调剪枝模型恢复精度。实验结果表明, 剪枝后模型参数量压缩了93.1%, 检测速度比原模型提升2.46倍, 能够在保证检测准确性的同时有效提升检测实时性。