微循环功能是反映危重病人器官生理状态的关键指标，为确定后续治疗手段提供了重要依据。传统上采用显微镜等手段观察体表微循环状态，但仅能获得组织毛细血管的空间形态，获取的功能性信息有限，难以满足临床需求。针对肠道内微循环监测需求构建了小型化光纤光声内窥镜，将成像探头伸入活体小动物直肠内以旋转扫描的方式进行内窥成像。在扫描过程中通过逐点探测由激光脉冲在生物体内激发出的超声波，能够获得消化道内壁血管空间分布；基于动静脉血在光学吸收谱上的差异，采用双波长激发获得了血氧饱和度的空间分布。基于数小时的连续监测，发现小动物患脓毒症后直肠内壁血管结构与血氧饱和度均发生明显变化。实验结果表明，该技术能够以无创方式表征典型微循环疾病模型的功能性变化，为微循环的无创监测提供了一种新的技术途径。

海面目标检测是雷达信号处理中的重要内容，在**、民用领域内都有重要应用价值。在海面目标雷达信号处理中，海杂波的存在对检测算法的性能有很大影响，传统的雷达信号处理方法多基于统计理论，对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速，为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结，从雷达信号数据结构和维度出发，采用深度学习理论，分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架，并以导航雷达图像海上目标智能检测为例，提出一种Precise ROI ?Faster R ?CNN 雷达图像检测算法，通过构建的导航雷达数据集训练和测试，相比经典恒虚警检测和Faster R?CNN 检测方法有更高的检测精确度和更好的泛化能力，从而为对海雷达智能导航和目标检测提供了有效的技术途径。

碳化硅(SiC)作为第三代半导体材料，不仅禁带宽度较大，还兼具热导率高、饱和电子漂移速率高、抗辐射性能强、热稳定性和化学稳定性好等优良特性，在高温、高频、高功率电力电子器件和射频器件中有很好的应用潜力。高质量、大尺寸、低成本SiC单晶衬底的制备是实现SiC器件大规模应用的前提。受技术与工艺水平限制，目前SiC单晶衬底供应仍面临缺陷密度高、成品率低和成本高等问题。高温溶液生长(high temperature solution growth， HTSG)法生长SiC单晶具有晶体结晶质量高、易扩径、易实现p型掺杂等独特的优势，有望成为大规模量产SiC单晶的主要方法之一，目前该方法的主流技术模式是顶部籽晶溶液生长(top seeded solution growth， TSSG)法。本文首先回顾总结了TSSG法生长SiC单晶的发展历程，接着介绍和分析了该方法的基本原理和生长过程，然后从晶体生长热力学和动力学两方面总结了该方法的研究进展，并归纳了该方法的优势，最后分析了TSSG法生长SiC单晶技术在未来的研究重点和发展方向。

深度学习和自注意力机制的应用,使语义分割网络的性能得到了大幅提升。针对目前自注意力机制将每个像素的所有通道看作一个向量进行计算的粗糙性,基于空间维度和通道维度提出了一种分组双注意力网络。首先,将特征层分成多组;然后,自适应过滤掉每组特征层的无效基组,从而捕获精确的上下文信息;最后,将多组加权后的信息进行融合,获得较强的上下文信息。实验结果表明,本网络在两个数据集上的分割性能均优于双注意力网络,在PASCAL VOC2012验证集上的分割精度为85.6%,在Cityscapes验证集上的分割精度为71.7%。

为了解决自注意力机制的注意力图计算复杂度高、内存占用大等问题,同时提高语义分割网络的性能,提出了一种基于注意力编码的轻量化网络。该网络用自适应位置注意力模块和全局注意力上采样模块分别对长距离语义依赖关系进行编码和解码,在计算注意力图时先用自适应位置注意力模块排除无用的基组,再获取上下文信息;全局注意力上采样模块用全局上下文信息引导低层特征重构高分辨率图像。实验结果表明,本网络在PASCAL VOC2012验证集上的分割精度达到84.9%,相比分割精度相近的双路注意力网络,本网络的每秒浮点运算次数降低了16.9%,占用的GPU内存减少了12.9%。

基于对SSD(Single Shot MultiBox Detector)目标检测算法的分析,提出了一种基于深度学习的深层次多尺度特征融合目标检测(DMSFFD)算法。首先将SSD的特征层与相邻特征层进行融合,在融合之后的特征图中加入尺寸为3 pixel×3 pixel的卷积层,以减小上采样的混叠效应。之后进行更深层的特征融合,分别对较小的三个卷积层进行上采样操作,然后对4个特征层进行concate操作,以生成语义信息更加丰富的特征图,从而实现多尺度的小目标检测。为了节省计算资源,提高算法的实时性,基础网络选用VGG16。融合后的算法虽然相对于SSD较为复杂,但实时性基本得到了保证,而且DMSFFD算法能够成功检测大部分SSD网络漏检的小目标,检测精度相对于SSD也有较大提升。

针对传统的相参积累方法对匀加速目标能量积累效果不理想的缺点，选取4种典型的相参积累方法进行仿真，研究不同变换积累方法对匀加速目标线性调频信号积累的特点，并通过实测S波段对海观测雷达数据比较脉冲数对不同时频分析方法能量积累的差异。结果表明：4种变化中分数阶Fourier变换(FRFT)的相参积累性能最好，能够有效抑制噪声，估计加速度，具有良好的时频聚集性，并且在一定范围内随处理脉冲数的增加，相参积累性能进一步提高。

为了进一步提高机载预警雷达的目标探测和监视能力，首先对影响单平台机载预警雷达探测范围的因素进行了分析，引出网络化协同探测的特点和必要性，给出了稳定探测覆盖范围和多普勒盲区的定义；其次重点分析了机载预警雷达与其他机载预警雷达、舰载雷达、无人机(UAV)雷达等不同平台雷达间的协同探测工作方式，并进行了仿真分析，通过评估指标参数对各种协同探测模式进行了比较；最后对机载预警雷达网络化协同探测发展趋势进行展望。

从雷达动目标信号变换实现相参积累的角度出发，选取 4种典型的相参积累方法：短时傅里叶变换 (STFT)、维格纳-威利分布 (WVD)、平滑伪维格纳 -威利分布 (SPWVD)及分数阶傅里叶变换(FRFT)，并将其应用于雷达动目标检测。重点研究了采样频率、脉冲数、输入信噪比 (SNR)对相参积累性能以及动目标检测性能的影响。结果表明， FRFT运算速度相对较慢但适用范围最广，尤其在处理噪声背景较强的信号时，能够有效抑制噪声，且参数估计精确度较高，具有良好的时频聚集性，为雷达相参积累检测的工程化应用提供理论支撑。

雷达动目标检测技术一直是雷达信号处理领域中的关键技术，而传统的雷达动目标检测技术仅适用于匀速运动目标，检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法，通过从雷达动目标回波中提取多普勒频移信息，然后利用短时傅里叶变换转换为时频图，输入卷积神经网络，进行深度特征学习，进而实现检测和分类的目的。仿真数据验证表明，所提方法能够有效检测和区分匀速、匀变速运动以及微动目标，稳健性高，与传统动目标检测方法相比具有显著优势。