旋转目标检测是遥感图像解译的重要任务之一，存在目标方向任意、小目标密集排列、目标表示引起的角度周期性等典型问题。针对上述问题，提出一种基于DEtection Transformer（DETR）目标检测器和改进去噪训练的旋转目标检测方法，即arbitrary-oriented object detection Transformer with improved deNoising anchor boxes（AO²DINO）。首先，该方法引入一种多尺度旋转可变形注意力模块，将角度信息以旋转矩阵的形式引入注意力权重的计算，提高了模型对旋转目标的适应能力。其次，针对小目标密集排列问题，提出一种自适应的样本分配器，引入旋转交并比和自适应阈值，实现对密集目标更加精确的采样，提升了模型对小目标的检测能力。最后，在模型中引入基于卡尔曼滤波的交并比（KFIoU）作为回归损失，以解决旋转目标表示引起的角度周期性问题。AO²DINO在DOTAv1.0和DIOR-R两个公开数据集上与典型的旋转目标检测方法进行了比较，在DETR系列旋转目标检测方法中检测精度最高，且训练时收敛速度更快，在训练12个epochs时就几乎达到了其他旋转目标检测方法训练36个epochs时的检测效果。

恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。

在基于深度学习的SAR图像目标检测中, 为了降低SAR图像中噪声等特性对特征学习的干扰, 提高检测方法中识别和定位任务的交互性, 采用了联合任务检测方法。该方法利用联合任务网络, 使识别和定位任务在尽可能共用特征的同时保留各自的特殊性, 从而提升两个子任务对特征学习的监督能力。此外, 该方法还利用联合任务学习方法, 在锚框选择和损失函数计算中, 同时考虑识别和定位任务的可靠程度, 从而提升训练效果。公开数据集上的实验结果证明了该方法的有效性。

通过调制具有不同编码单元的参考光，对信息光进行分页式加密存储。提出两种参考光编码加密模式，即扇形参考光编码模式和随机位置参考光编码模式，并对这两种方法进行验证。实验结果表明，这两种方式都通过正交相位编码完成加密解密的过程。对两种方法的加密性进行评估，不同密钥对应的加密信息之间的相似度均值分别为0.57和0.02，均方误差的平均值分别为537和1872。随机位置参考光编码模式下的同轴系统安全性更高。正交相位加密技术可以有效地防止存储数据被非法访问和窃取，保证了数据的安全性。

大数据时代对数据存储提出了新的需求，数据的存储安全关乎社会稳定与发展。全息加密光存储具有高存储密度、快读取速度、长保存寿命等特点，为海量数据存储提供了有效的解决方案，是保障数据存储安全的有力手段。聚焦于全息光存储领域，论述了以振幅、相位和偏振等作为调制变量的全息加密光存储的基本原理，介绍了常见的全息加密光存储技术及其性能影响因素，梳理了大量密钥的管理方法，最后总结了各技术特点，并对全息加密光存储的未来发展进行了展望。

翘曲变形与开裂是激光沉积制造大型整体结构的瓶颈，限制了该技术的发展。为解决这一难题，笔者基于表面形貌监测系统提出了一种翘曲变形原位检测及开裂预测新算法。通过坐标系校准、滤波降噪、曲面重构等实现了原位检测与数据预处理，采用旋转切片和平行切片两种方案求取切片与重构表面的交线，计算交线的翘曲角与翘曲角变化量，根据翘曲阈值与开裂阈值判定翘曲变形并预测开裂。设定的阈值与制件尺寸呈反比关系，与翘曲度呈正比关系。实验结果表明：翘曲样件X向的最大翘曲角为3.98°，且该方向所有交线的翘曲角均超出了翘曲阈值（3.27°），判定发生翘曲变形；薄壁件开裂影响区内翘曲角的最大值在第46~51层呈连续正增长趋势，翘曲角变化量为1.58°，且80%的交线的翘曲角变化量超出了开裂阈值（1.53°），判定即将发生开裂，继续沉积至第55层时出现开裂。通过实验证实了所提算法检测翘曲与预测开裂的有效性，对激光沉积制造技术的发展具有重要意义。