针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题，本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先，所提方法在SIFT算法的基础上，对构建的高斯金字塔进行了优化，通过减少金字塔层数来消除冗余特征点以提高检测效率，并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测，筛选出鲁棒性较强的特征点进行更准确的匹配；其次，采用高斯圆形窗口建立32维降维特征向量，提高算法运行效率；最后，根据匹配特征点对之间的几何一致性对特征点进行提纯，有效减少误匹配。实验结果表明，本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法，相比传统的SIFT算法，匹配精度提高了约10%，算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下，正确匹配率在93%以上。

针对大多数图像超分辨率重建方法利用单尺度卷积进行特征提取，导致特征提取不充分的问题，提出基于多尺度自适应注意力的图像超分辨率网络。为充分利用各个层次特征中的上下文信息，设计了多尺度特征融合块，其基本单元由自适应双尺度块、多路径渐进式交互块和自适应双维度注意力依次串联组成。首先，自适应双尺度块自主融合两个尺度的特征，获得了更丰富的上下文特征；其次，多路径渐进式交互块以渐进的方式交互自适应双尺度块的输出特征，提高了上下文特征之间的关联性；最后，自适应双维度注意力自主选择不同维度注意力细化输出特征后，提高了输出特征的鉴别力。实验结果表明，在Set5， Set14， BSD100和Urban100测试集上，本文方法在PSNR和SSIM定量指标上相比于其他主流方法相均有提升，尤其对于纹理细节难以恢复的Urban100测试集，本文方法在比例因子为×4时，相较于现有最优方法SwinIR，PSNR和SSIM指标分别提升了0.05 dB和0.004 5；在视觉效果方面，本文的重建图像具有更多的纹理细节。

为消除压电驱动柔性微定位平台高精控制对平台不确定动力学模型的依赖性，提出了一种数据驱动无模型迭代前馈补偿和自适应陷波滤波结合的控制方法来提高平台的跟踪性能。首先，建立了数据驱动无模型迭代前馈控制器，提高系统对噪声和其他干扰的鲁棒性，同时，证明了在无模型迭代前馈作用下，连续参考输入跟踪误差的有界性和闭环系统的稳定性；其次，构建了自适应陷波滤波器来消除平台谐振的影响，对误差信号进行快速傅里叶变换，并设计谐振频率在线提取算法，实现对陷波滤波器参数的在线实时整定，来进一步提升轨迹跟踪精度；最后，利用所设计的无模型迭代前馈控制器和自适应陷波滤波器对压电微动台进行轨迹跟踪实验。实验结果表明：在跟踪三角波信号时，与单独比例-积分（Proportional Integral，PI）控制和结合自适应陷波滤波器的PI控制相比较，最大跟踪误差分别减小78.25%和70.83%，能够有效提升平台的稳定性和跟踪精度。

液晶空间光调制器（LC-SLM）通过对液晶折射率的调制来实现对光程的控制，在自适应光学中起着重要的作用。文章梳理了国内外LC-SLM的发展现状，对LC-SLM的工作原理和相位标定原理进行了详细介绍，针对LC-SLM在自适应光学中的应用，对国内外LC-SLM关键技术研究状况进行了讨论，分析总结了西安理工大学在该领域的实验研究。最后展望了LC-SLM的应用前景。

由转子质量不平衡和传感器跳动引起的谐波振动是磁悬浮转子系统中的主要扰动。为了抑制这些干扰，提出了一种基于重复控制和可变相位自适应陷波反馈的谐波振动抑制的复合控制方法。首先通过建立磁悬浮转子系统模型，分析了不同干扰振动力的产生机理。然后，设计了插入式重复控制器，抑制传感器跳动引起的谐波振动，利用自适应陷波滤波器在线提取同频信号自适应补偿不平衡，通过改变不同频率下的相位角来保持系统的稳定性，并对同频位移刚度进行补偿，使系统在较宽的速度范围内自抑制谐波振动。最后，通过仿真和实验对提出的控制方法进行了验证。实验结果表明，一次、三次和五次谐波振动分别减少94.4%，90.4%和85.9%，采用所提出的复合控制方法可以有效抑制谐波振动。验证了所提控制方法的有效性。

Recently, deep learning has been used to establish the nonlinear and nonintuitive mapping between physical structures and electromagnetic responses of meta-atoms for higher computational efficiency. However, to obtain sufficiently accurate predictions, the conventional deep-learning-based method consumes excessive time to collect the data set, thus hindering its wide application in this interdisciplinary field. We introduce a spectral transfer-learning-based metasurface design method to achieve excellent performance on a small data set with only 1000 samples in the target waveband by utilizing open-source data from another spectral range. We demonstrate three transfer strategies and experimentally quantify their performance, among which the “frozen-none” robustly improves the prediction accuracy by ∼26 % compared to direct learning. We propose to use a complex-valued deep neural network during the training process to further improve the spectral predicting precision by ∼30 % compared to its real-valued counterparts. We design several typical teraherz metadevices by employing a hybrid inverse model consolidating this trained target network and a global optimization algorithm. The simulated results successfully validate the capability of our approach. Our work provides a universal methodology for efficient and accurate metasurface design in arbitrary wavebands, which will pave the way toward the automated and mass production of metasurfaces.