针对太阳能电池片缺陷检测方法存在精度低的问题，提出一种基于改进的YOLOv5s太阳能电池片表面缺陷检测算法。首先，为了解决电池片小目标缺陷检测问题，提出了上下文Transformer网络（CoT），可以为小目标提供全局上下文信息，帮助模型更好地预测小目标。其次，将CBAM注意力加入到Head部分的C3模块，能够更好地捕捉输入特征图的重要通道和空间位置，提高模型的性能和鲁棒性。接着，使用轻量级的通用上采样算子CARAFE减少上采样过程中特征信息的损失，保证了特征信息的完整性。最后，使用WIoU作为边界框损失函数，大幅提升了回归的准确性，并且有助于快速实现模型的收敛。实验结果显示，改进后的YOLOv5s相较于原始算法在Precision、Recall、mAP@0.5三个指标上分别提高了5.5%、4.1%、3.3%，检测速度达到了76 FPS，满足太阳能电池片缺陷检测要求。

针对无人机视角下航拍图像小目标多且检测困难的问题，提出了一个位置敏感Transformer目标检测（PS-TOD）模型。设计了一个基于位置通道嵌入三维注意力（PCE3DA）的多尺度特征融合（MSFF）模块，即PCE3DA利用空间与通道信息的相互依赖关系生成三维注意力，用于加强模型对兴趣区域的特征表达能力，且基于它构造了一个自底向上的跨层MSFF方案，使得融合后的特征语义信息更加丰富；然后，设计了一种新的位置敏感自注意力（PSSA）机制，且以此构造位置敏感Transformer编-解码器，使模型在捕获图像全局上下文信息的长期依赖关系时，也可提高模型对目标的位置敏感能力。基于无人机航拍数据集VisDrone的对比实验结果表明，提出模型的AP达到28.8%，与基线模型（DETR）相比提高了4.1%。该模型在复杂背景下能对无人机航拍图像进行精确的目标检测，且改善小目标的检测效果。

针对肺部X射线图像的病灶区域较小、形状复杂，与正常组织间的边界模糊，使得肺炎图像中的病灶特征提取不充分的问题，提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型，设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块（GADRM），采用双残差结构进行高效的特征融合，将双残差结构与通道混洗、通道注意力、空间注意力结合，增强模型对于病灶区域特征的提取能力；在网络的高层采用全局局部特征提取模块（GLFEM），结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征，获得高层语义信息的全局特征，进一步增强网络的语义特征提取能力；设计了跨层双注意力特征融合模块（CDAFFM），融合浅层网络的空间信息以及深层网络的通道信息，对网络提取到的跨层特征进行增强。为了验证本文模型的有效性，分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明，本文所提出网络的准确率、精确率、召回率，F1值和AUC值分别为98.41%，94.42%，94.20%，94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断，具有重要的临床作用。

利用图像结构特征进行图像修复，是近年来在深度学习技术广泛应用背景下出现的新方法。应用该方法可以在缺失区域内生成合理的内容，但图像修复结果过于依赖图像结构的提取内容，且在实际训练中会出现错误的持续传播和累积，一旦图像结构存在噪声或失真会直接影响到图像的生成质量。该方法处在探索应用阶段，尚存在网络训练难度大、鲁棒性较差、生成图像上下文语义不一致等问题。为此，本文提出了一种图像平滑结构指导修复的并行网络结构。图像平滑结构的生成内容不直接作为下一级网络的输入，只为网络的解码层提供指导信息。同时，为了更好地匹配和均衡结构与图像之间的特征关系，本文结合transformer提出了一种多尺度特征指导模块。该模块利用transformer联系全局特征的强大建模能力，对结构和图像纹理之间的特征进行匹配和均衡。实验结果表明，本文方法在三个常用的数据集上能够有效地恢复图像缺损内容，并且可以作为图像编辑工具实现目标移除。

基于生成对抗网络（Generative Adversarial Network，GAN）的医学图像融合是计算机辅助诊断领域的研究热点之一，但是现有基于GAN的融合方法存在训练不稳定，提取图像的局部和全局上下文语义信息能力不足，交互融合程度不够等问题。针对上述问题，本文提出了双耦合交互式融合GAN （Dual-Coupled Interactive Fusion GAN， DCIF-GAN）。首先，设计了双生成器双鉴别器GAN，通过权值共享机制实现生成器之间和鉴别器之间的耦合，通过全局自注意力机制实现交互式融合；第二，设计耦合CNN-Transformer的特征提取模块（Coupled CNN-Transformer Feature Extraction Module， CC-TFEM）和特征重构模块（CNN-Transformer Feature Reconstruction Module， C-TFRM），提升了对同一模态图像内部的局部和全局特征信息提取能力；第三，设计跨模态交互式融合模块（Cross Model Intermodal Fusion Module， CMIFM），通过跨模态自注意力机制，进一步整合不同模态间的全局交互信息。为了验证本文模型的有效性，在肺部肿瘤PET/CT医学图像数据集上进行实验，该文方法在平均梯度，空间频率，结构相似度，标准差，峰值信噪比，信息熵等上与其他四种方法中最优方法相比，分别提高了1.38%，0.39%，29.05%，30.23%，0.18%，4.63%。模型能够突出病变区域信息，融合图像结构清晰且纹理细节丰富。

结合理论求解、仿真分析与实验验证，确定了影响脉冲变压器型触发器输出前沿的主要因素，并研制了一台能可靠触发真空沿面闪络开关导通的快前沿固态触发器。研究结果表明：影响触发器输出脉冲前沿的关键因素为脉冲变压器漏感、匝数比和半导体开关开通速度；不同绕制方式的脉冲变压器漏感差异很大，最小漏感绕法的变压器漏感值低1个数量级；选用开通速度优于15 ns的碳化硅金属氧化物半导体场效应晶体管（SiC MOSFET）、绕制低漏感（小于0.5 μH）的脉冲变压器，实现了前沿为20.4 ns（10%～90%）、幅值为16.5 kV的快前沿输出；控制SiC MOSFET的驱动脉宽在35～55 ns变化可以控制触发电流峰值在35～55 A范围内变化。