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。

光场相机能够同时捕获光线的强度和方向信息，但由于成像传感器尺寸的限制，无法同时获得高空间和角度分辨率的光场图像。提出了一种联合傅里叶卷积和通道注意力的光场角度重建方法，通过使用稀疏光场图像4个边角位置的参考视图，可以间接地重建出密集光场图像。考虑到光场数据的内在4D结构，采用通道级密集快速傅里叶残差卷积块，在空域和频域对光场图像的空间和角度相关性进行建模，然后采用基于全局响应归一化的通道注意块，以实现通道间的自适应融合。此外，还提出了一种改进的视点加权间接合成方法，通过为每个参考视图分配一个置信图，为参考视图之间建立联系以合成更真实的新视图。实验结果表明，相比于现有先进的光场角度重建算法IRVAE，所提方法的重建光场图像质量在自然光场数据集30Scenes，Occlusion和Reflective上的平均PSNR分别提高了0.08，0.13和0.13 dB。所提方法在保证光场角度一致性的前提下取得了清晰的重建结果。

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。

针对气体绝缘金属封闭输电线路（Gas Insulated Transmission Lines, GIL）外壳振动、温度、应变等多参量通过分布光纤传感技术完成数据采集，并针对采集数据进行研究和应用。通过振动、应变、温度监测试验和数据分析，系统可准确测得光纤感知的振动、应变和温度数据，数据准确可靠。经测试系统测温精度≤±0.5 ℃，温度空间分辨率≤±0.6 m，定位精度≤±0.3 m；系统应变测量精度≤±20 με；系统振动定位精度≤±2 m，振动定位精度≤±2 m。通过对GIL外壳振动、温度、应变等多参量进行集成监测研究，在减少传感设备数量的前提下探索GIL运行规律。

针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状，不同体位所拍摄的CT影像存在较大差异，骨折部位大小不一，以及受到出血部位以及周围组织的干扰，骨折部位的特征提取不充分、骨折部位检测精度不高的问题，设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块，利用密集连接特性提高网络的特征提取能力；采用局部全局注意力模块来提取CT影像的全局信息；构造一个轻量化的多尺度密集块，以较少的参数量提取骨折部位的多尺度特征；在特征增强网络中设计跨维度双向特征融合模块，使得特征图的高度、宽度以及通道之间有所交互，同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性，在自建数据集上进行消融实验和对比实验。实验结果表明，在置信度阈值取0.5时，3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%，99.06%，98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位，辅助医生制定治疗方案。

介绍了时空锁模的基本原理和时空锁模的理论模型−吸引子解剖。从空间结构和全光纤结构两方面介绍了近年来国内外在时空锁模光纤激光器方面的研究进展，包括激光腔型的改进、输出性能的提升和实时动力学的观测等。最后分析了目前时空锁模激光器的优势和不足，并对其发展方向进行了展望：时空锁模激光器在产生高功率超短脉冲方面有着巨大的优势，但输出光斑质量差在一定程度上限制了它的实际应用；利用时空自相似演化、波前整形等技术提升光束质量将是未来时空锁模激光器的发展方向。