针对实验室现有示波器存在集成性差、可扩展性不强等缺点，同时为了提高质谱信号采集效率和精度，设计了一套基于LabVIEW的质谱与红外光谱信号采集系统。该数据采集系统依托LabVIEW 软件平台与CSE22G8数据采集卡，并结合叠加平均去噪算法，实现了低信噪比背景下微弱质谱信号的实时采集与处理。此外，通过TCP通信协议实现可调谐光学参量振荡器（OPO）的同步控制，使用户可以在采集质谱信号的同时获得相应的红外吸收光谱图。测试表明，该系统的分辨率较实验室原有示波器提高一倍，采样点数可达每微秒2000个，波形重构能力显著提升，具有较好的数据采集性能。

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题，通过一维卷积神经网络预测识别混叠光谱中心波长，并搭建了并联结构的混叠光谱数据自动采集实验系统，验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响，并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比，同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明：解调模型均方根误差结果为0.082 58 pm，使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明：采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性，与其他算法相比，文中的解调算法在解调精度和时间上具有优势，模型大小在400 kB以下，所需算力较小，可部署在小型嵌入式设备中，在大规模机载传感网络，结构健康监测中有良好的应用前景。

激光雷达是实现环境实时感知的重要传感器，针对多通道感知激光雷达数据量大、数据传输解算实时性要求高及量体裁衣高效小型化的迫切需求，基于自研采用可靠的机械扫描、阵列探测和数据采集控制相结合的多通道激光雷达，设计实现了基于FPGA和DSP的多路并行信号采集处理系统，并在点云三维实时成像中得到了验证。该数据采集处理系统中的FPGA负责多通道激光雷达数据控制采集以及数据传输，DSP负责对数据进行解析处理并通过网口将点云数据上传到上位机，实现点云实时显示。实际测试结果表明，该数据采集处理系统能够满足多通道激光雷达2 Mpts/s的大数据量点云解析，并保证20 fps以上实时数据的可靠采集传输，实现周围环境和障碍物激光雷达点云的快速解算，可应用于自动驾驶、导航避障、周界安防等领域。