分蘖数是表征冬小麦生长的关键性参数, 对于冬小麦苗情监测、 产量预估具有重要意义。 针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题, 提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法, 以期实现冬小麦分蘖数无损快速估算, 并且可嵌入移动终端设备。 可见光图像具有获取便捷, 处理简单的特点, 利用数码相机连续采集2017年-2018年和2018年-2019年两个生长季的冬小麦冠层可见光图像。 利用该数据图像, 分别构建基于轻量级卷积神经网络MobileNetV2, SqueezeNett, ShuffleNet的冬小麦分蘖数估算模型进行比较试验, 并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。 开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。 结果表明, 基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R2)为0.7, 归一化均方根误差(NRMSE)为0.2, 在三个轻量级卷积神经网络中具有最优表现; 基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。 与非轻量级卷积神经网络相比较, 基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量, 适宜嵌入移动终端设备; 针对120, 270和420 株·m-2三个不同植株密度的可见光图像数据集, 基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8, 0.8和0.7, 表现鲁棒; 针对两个生长季的可见光图像, 基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍, NRMSE下降了7.6%, 表现出对数据季节性差异较好的适应性, 体现了模型的泛化能力。 利用可见光图像, 基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求, 为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、 鲁棒、 可嵌入移动终端设备的工具。

量子盲签名作为量子密码的重要组成部分，近年来备受关注，半量子协议为量子盲签名走向实用化提供了可行性方法。结合半量子概念和抵抗集体噪声的逻辑粒子，提出了免疫集体噪声的半量子盲签名协议。在协议中，只有签名方Charlie具备完整的量子能力，这使得该协议对量子资源的依赖大幅降低。通过安全性分析可以证明：本协议能够抵抗内部攻击、纠缠测量攻击和截断重发攻击等，实现了部分密钥的可复用性，同时能够扩展到量子签名网络，实现跨区域的量子签名。

量子安全直接通信（QSDC）突破了传统保密通信的通信方式，不需要提前准备密钥就可以直接通过量子信道进行秘密信息的传输。但是在实际的量子通信系统中，窃听者Eve对于测量设备的攻击会导致秘密信息的泄露，而且这种窃听不会被侦测到。此外由于现在的量子传输方式仍然以光纤传输为主，所以无法避免光纤传输过程中噪声的影响，在这些噪声中以集体退相位噪声和集体旋转噪声影响最甚。为解决这些问题，提出了两个分别可以抵抗集体退相位噪声和集体旋转噪声的测量设备无关的QSDC协议，通过不可信第三方的测量进行信息的传递，解决了窃听者对于测量设备攻击的问题，同时通过无消相干子空间来避免集体噪声的问题，通过分析发现该协议可以有效抵抗攻击，实现绝对安全的通信。

量子盲签名作为量子密码学的重要组成部分，近年来受到了越来越多的关注。提出了一个基于两粒子和三粒子最大纠缠态的量子盲签名方案，利用量子纠缠特性实现了消息盲化，并借助量子相干性原理进行了消息恢复。所提方案利用量子逻辑门对量子态进行操作，实现了两比特经典信息的量子态表示。最后证明了该方案满足不可否认性、不可伪造性和盲性。基于量子密钥分发和一次一密技术，所提方案的无条件安全性得到了保证，且与现有其他方案对比，该方案有较高的签名效率。

量子保真度是量子隐形传态协议的重要评价参数之一，可用于衡量传输初始态与输出态的相似程度。提出了一种利用部分记忆信道提高泡利噪声信道下隐形传态保真度的方法。依据不同的泡利信道噪声参数，具体分析了比特翻转噪声、xz退相位噪声和双泡利噪声三种情况下的平均保真度。通过构造量子隐形传态方案的量子逻辑线路图，分析了量子保真度与噪声参数的关系。针对噪声影响下的隐形传态过程，引入了部分记忆信道，并对部分记忆信道参数进行了分析。结果表明，部分记忆信道可有效提高泡利噪声影响下量子隐形传态协议的保真度。

模分复用技术可实现量子信号与经典光信号的共纤同传。针对量子模分复用同传系统构建同时存在非线性效应和模式耦合的量子密钥生成率模型,通过仿真计算量子密钥生成率与通信距离的关系。仿真结果表明:该系统的最大安全通信距离过短,且与传统量子密钥分发系统的性能相比存在较大差距。因此在此基础上提出基于双诱骗态的量子模分复用同传方案,以增大复用同传的最大安全通信距离。同时为了充分利用光纤信道的资源,对空闲模式信道进行多路量子信号复用传输,进一步改善量子模分复用同传系统的通信性能,缩小与传统的量子密钥分发系统的差距。

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

基于少模光纤模分复用的量子—经典信号同传方案中,光纤内的模式耦合效应会导致信道间发生串扰,造成误码。为此,构建了少模光纤分段化链路模型,研究了光纤拼接误差导致的模式耦合强度大小,并在此基础上推导了存在模式耦合时系统的量子误码率(QBER)公式。通过比较各模式所受到的耦合强度,确定该同传方案中量子信号的最优传输模式;进一步讨论了不同纤芯轴向偏移距离、扭转角度和光纤长度对系统QBER的影响。结果表明,这三个影响链路模式耦合强弱的因素都与QBER成正相关,光纤拼接误差较小的短距离量子—经典信号模分复用同传系统可有效降低QBER。