目前，红外与可见光图像融合算法依然存在着对复杂场景适用性低、融合图像细节纹理信息大量丢失、对比度与清晰度不高等问题，针对上述存在的问题，本文结合非下采样剪切波变换（ Non-Subsampled Shearlet Transform, NSST）、残差网络（ Residual Network, ResNet）与生成对抗网络（Generative Adversarial Network, GAN）提出一种 N-RGAN模型。通过 NSST变换将红外与可见光图像分解为高频子带和低频子带；对高频子带进行拼接并输入由残差模块改进过的生成器，并将源红外图像作为判决标准，以此提升网络融合性能与融合图像细节刻画以及目标凸显能力；对红外图像与可见光图像进行显著性特征提取，通过自适应加权对低频子带进行融合，提升图像对比度与清晰度；对高频子带的融合结果与低频子带的融合结果进行 NSST逆变换，从而得到红外与可见光图像的融合结果。通过与各类算法的融合结果进行对比，本文所提方法在峰值信噪比（ Peak Signal to Noise Ratio, PSNR）、平均梯度（ Average Gradient, AVG）、图像熵（ Image Entropy, IE）、空间频率（ Spatial Frequency, SF）、边缘强度（ Edge Strength, ES）、图像清晰度（ Image Clarity, IC）等多个客观指标上均有提高，可提升复杂场景下的红外与可见光图像融合效果，改善图像细节纹理信息损失严重的问题，同时提升图像对比度与清晰度。

为了验证SuperMC软件系统对装载MOX燃料压水堆的临界计算能力，采用国际经合组织核能署 （OECD/NEA）2001年发布的三维VENUS-Ⅱ国际基准模型对SuperMC3.1版本进行了测试验证。本次测试包括栅元和堆芯两个部分，分别计算了栅元无限增殖因数、重核反应率、堆芯有效增殖因数、堆芯轴向裂变反应率等关键物理参数。将SuperMC计算结果与基准模型实验测量值以及MCNP计算值作了对比。结果显示：在测试范围内，SuperMC计算值与参考值吻合得较好，表明SuperMC可应用于含MOX燃料堆芯的临界计算。