由于基体中有着大量随机分布的弥散颗粒，双重非均匀系统具有复杂的几何结构，传统中子学计算方法往往难以处理双重非均匀系统，反应性等效物理转换（RPT）方法是常用的近似处理方法。通过分析RPT方法的三个关键步骤：精确初始值的求解、等效半径的求解、燃耗算法的选取，探讨了各步骤采用不同算法对RPT方法效率和精度的影响，并基于OpenMC在Python应用程序接口之上开发了RPT模块。数值结果表明，优化后的RPT模块，在保持良好计算效率的同时，也能满足工程计算精度的需要。

光学频率梳是由一系列离散且等间隔分布的频率成分所组成的光谱结构，作为光谱分析的天然刻度尺，其已广泛应用于光谱学、精密测量、光通信、传感等多个领域。光学频率梳根据其产生技术可分为基于锁模激光器的光学频率梳、克尔微腔光学频率梳、电光频率梳。电光频率梳由于其频率间隔可调、梳齿功率较高、可实现微波到光波的转换等优势，得到了充分发展。但传统电光频率梳的产生器件存在体积大、功耗高的缺点，限制了其进一步应用。随着微纳加工技术的不断发展，越来越多的材料应用于片上集成光学器件，包括硅、氮化硅、氮化铝、磷化铟、铌酸锂、砷化铝镓等。集成电光频率梳器件具有体积小、功耗低等优势，是构建光电集成芯片的重要器件。文中旨在对集成电光频率梳的研究现状进行综述，首先介绍光学频率梳的类型，并详细论述电光频率梳的产生机制；其次介绍产生集成电光频率梳的材料平台、相应的光梳性能指标及其应用；最后基于目前集成电光频率梳领域存在的问题，对未来的研究趋势做出展望。

红外与可见光图像融合技术能够同时提供红外图像的热辐射信息和可见光图像的纹理细节信息，在智能监控、目标探测和跟踪等领域具有广泛的应用。两种图像基于不同的成像原理，如何融合各自图像的优点并保证图像不失真是融合技术的关键，传统融合算法只是叠加图像信息而忽略了图像的语义信息。针对该问题，提出了一种改进的生成对抗网络，生成器设计了局部细节特征和全局语义特征两路分支捕获源图像的细节和语义信息；在判别器中引入谱归一化模块，解决传统生成对抗网络不易训练的问题，加速网络收敛；引入了感知损失，保持融合图像与源图像的结构相似性，进一步提升了融合精度。实验结果表明，提出的方法在主观评价与客观指标上均优于其他代表性方法，对比基于全变分模型方法，平均梯度和空间频率分别提升了55.84%和49.95%。

矿物光谱综合反映了岩矿的物理化学特性、 组分和内部结构特征, 已被应用于岩矿识别研究。 传统的矿物光谱分类方法需要先对矿物光谱进行预处理, 再采用不同方法分析光谱特征, 从而实现分类目的。 但同时也会造成部分光谱信息丢失, 导致最终分类精度不高且操作过程繁琐、 效率低下, 难以应对日益增长的大数据处理需求。 因此, 建立一个准确、 高效的矿物光谱自动分类模型意义重大。 卷积神经网络是应用最广泛的深度学习模型之一, 它通过逐层抽取数据特征并组合形成高层语义信息, 具有极强的模型表达能力, 在光谱数据分析方面应用潜力巨大。 针对矿物光谱数据的特点, 提出了基于一维空洞卷积神经网络(1D-DCNN)的矿物光谱分类方法, 利用空洞卷积神经网络提取光谱特征, 采用反向传播算法结合随机梯度下降优化器调整模型参数, 输出光谱分类结果, 实现了矿物类别的端到端检测。 该网络包含1个输入层、 3个空洞卷积层、 2个池化层、 2个全连接层和1个输出层, 采用交叉熵为损失函数, 引入空洞卷积扩大滤波器感受野, 有效避免光谱细节特征丢失。 实验采集了白云母、 白云石、 方解石、 高岭石四种矿物光谱, 并通过添加噪声的方式进行数据增强, 构建数量充足的矿物光谱样本用于神经网络模型训练与测试; 探讨了卷积类型、 迭代次数对模型分类结果的影响, 并与多种传统矿物光谱分类方法进行对比, 评价模型性能。 实验结果表明, 提出的1D-DCNN模型可实现矿物光谱快速准确分类, 分类准确率达到99.32%, 优于反向传播算法(BP)和支持向量机(SVM), 说明所提方法能够充分学习矿物光谱特征并有效分类, 且模型具有良好的鲁棒性和可扩展性。 该方法也可推广到煤炭、 油气、 月壤等其他领域光谱分类应用中。