光声信号的传统检测方法是基于超声技术，这样接触式的信号探测方式增加了交叉感染的风险，不利于临床应用。采用纯光学技术的光声成像可提升检测精度和临床舒适度，具有较强的临床应用价值。设计了采用调Q Nd∶YAG脉冲激光器作为激励源的光声信号激发系统，选用双频He-Ne激光器作为探测源采集光声信号，搭建的外差干涉系统产生携带光声信号特征的拍频信号，利用I/Q正交法解调出光声信号。首先通过超声换能器模拟振动信号验证系统性能，实验结果表明光声信号探测系统能较好地还原出超声振动信号，且与水浸探头相比，振动频率的相对测量误差只有0.04%，绝对差值为0.2 kHz。然后以碳棒和离体生物组织作为样品，利用短脉冲光激励诱导光声信号，采用本系统和超声探头进行信号探测，对比分析结果显示所搭建的外差系统在检测带宽内可以实现光声表面振动波的非接触、高精度探测。

土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状, 如何实现目标作物的高精度识别与制图对作物产量估算、 粮食政策调整和国家粮食安全保障具有十分重要意义。 基于Google Earth Engine（GEE）遥感数据处理云平台, 提出一种冬小麦不同生育期的种植结构提取方法, 该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源, 综合考虑光谱波段特征、 光谱指数特征、 纹理特征和地形特征等多维特征变量, 利用GBDT（gradient boosting decision tree）分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取, 并探讨了冬小麦识别的最佳生育期。 此外, 对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。 以河南陈固镇为研究区开展实验, 实验结果显示, 冬小麦在起身拔节期的地物识别准确率相对较高, 总体分类准确率为94.61%, Kappa系数为92.68%; 在抽穗扬花期的识别精度最高, 总体分类准确率为97.01%, Kappa系数为95.52%; 但在灌浆乳熟期的分类精度偏低, 总体分类准确率为86.23%, Kappa系数为81.33%。 研究结果表明, 在冬小麦抽穗扬花期, GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取, 进而取得较好的地物分类识别效果。 此外, 本研究将GBDT与传统分类器如随机森林（random forest, RF）、 CART(classification and regression tree)和朴素贝叶斯（Naive Bayesian, NB）进行相比。 结果表明, GBDT分类器的地物识别效果最佳, 总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%, Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%, 朴素贝叶斯分类器的识别效果最差, 总体分类准确率和Kappa系数分别为84.43%和78.69%。 研究结果可为田块尺度作物精细提取提供有效的技术支持。

为提高复合式光纤法布里-珀罗传感器的相关解调分辨率,提出了一种基于新型复合式光楔的非扫描相关解调系统。根据所解调复合式光纤法布里-珀罗传感器各腔体光学厚度变化范围,沿线阵CCD像素点排布方向,设计了分段式不同倾角和厚度范围的空气间隙式光楔结构,实现了多个法布里-珀罗腔腔长的复合同步解调。针对基底腔和空气腔腔长分别为600 μm和80 μm的复合式光纤法布里-珀罗传感器,设计了复合式光楔,仿真并分析了其解调性能。结果表明,采用基于复合式光楔的非扫描相关解调方案,可以实现光学厚度差异较大的多法布里-珀罗腔构成的复合式光纤法布里-珀罗传感器的同步高精度解调,腔长解调分辨率优于单光楔解调。

为提高激光跟踪精确度，采用相位法改进激光跟踪系统，发射机采用正弦信号调制激光功率，接收电路采用四象限雪崩光电二极管(APD)检测激光回波，通过快速傅里叶变换(FFT)计算失调角，稳定平台保持视轴稳定，并根据失调角跟踪目标。失调角误差是跟踪误差的主要因素之一，与信噪比和数据长度成反比，系统通过滤波、高速采样提高测量精确度。仿真时载体扰动幅度为 5°，信噪比为 0 dB，干扰信号为目标信号的 100倍，系统能准确识别目标，跟踪误差为0.033°，表明基于相位法的跟踪系统具有多目标、高精确度跟踪能力。

在激光烧结石墨烯增强铜基复合材料的过程中，了解瞬时温度场分布对优化工艺参数、控制烧结质量有重要作用。建立了激光烧结预涂在42CrMo基板上的石墨烯铜的混合粉末的有限元模型。研究了激光烧结过程温度场分布，熔池的几何参数以及烧结层与基体的冶金结合宽度。为了验证模拟结果，使用与模拟相同的参数进行了单道激光烧结的实验。研究表明，热传导、热辐射和相变潜热在激光烧结过程的温度场分布中起重要作用。实验结果与模拟结果较为一致。所以可以依据模拟结果预测实验的温度场分布和熔池几何参数，同时也可以据此优化激光烧结参数。

基于广义惠更斯-菲涅耳原理和交叉谱密度函数，对高斯型非均匀关联的部分相干光束在大气湍流中的传输特性进行了研究.结果表明，部分相干光的相干度的变化和源平面的高斯调制半宽、传输距离等有着密切关系.在传输过程中，初始平面相干度分布存在突变，在传输过程中消失；光束中两点的相干度随着传输距离的增加先增大后减小，并且相干度的分布由非均匀分布变成均匀分布.这种非均匀关联的部分相干光束在激光通信领域具有广阔的应用前景.

利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱， 并使用实验室手段测量了水体的叶绿素含量。 分析了湖水样本的透射光谱特性， 同时引入二维相关光谱技术， 利用叶绿素浓度值作为微扰量， 得到水体叶绿素的动态光谱， 进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。 综合观察二维相关光谱中的同步谱图和异步谱图， 更加精确地阐明了水体光谱特征， 同时剔除水体中其他物质对于光谱信息的影响， 更有效、 全面地提取反映水体叶绿素信息的敏感波段。 利用所选特征波段构建归一化水体叶绿素指数， 将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。 结果显示， 归一化水体叶绿素指数的预测模型测定R2达到0.771 2， 均方根误差是45.509 8 mg·L-1， 预测R2达到0.765 8， 均方根误差是39.503 8 mg·L-1。 模型精度较利用特征波段建立的多元线性回归模型有了较大的提高， 达到了实用水平。

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析, 分析结果显示波长560, 678以及786 nm处的光谱反射率（G560, R678, NIR786）与冬枣叶片氮素含量之间的灰色关联度最高。 利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。 进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度, 结果显示: 归一化植被指数（NDVI）、 绿色比值植被指数（GRVI）、 归一化差异绿度植被指数（NDGI）、 绿色归一化植被指数（GNDVI）和组合归一化植被指数（CNDVI）等5个指数与叶片氮素含量的灰色关联度较高。 利用3个特征波段的光谱反射率和5个关联度较高的植被指数, 分别采用最小二乘支持向量机（LS-SVM）以及GM（1, N）模型建立了冬枣叶片氮素含量预测模型。 结果表明, 采用特征波段光谱反射率（G560, R678, NIR786）建立的冬枣叶片氮素含量GM(1, N)模型的精度最高, 预测R2达0.928, 验证R2达0.896。