大气湍流引入的波前畸变导致相干合成涡旋光束质量劣化，需进行波前畸变校正。基于相干合成涡旋光束光场分布的角向不变性，通过像清晰度函数提取明暗干涉条纹区域的总光强，构建角向条纹对比度评价函数，将评价函数应用于随机并行梯度下降算法，可以实现单环以及双环阵列结构的相干合成涡旋光束波前畸变自适应校正。仿真实验结果表明，相较于光强相关系数等传统评价函数，以角向条纹对比度作为评价函数的随机并行梯度下降算法具有校正性能好、收敛速度快的优点。此外，单环和双环结构相干合成涡旋光束的波前校正结果均验证了角向条纹对比度作为相干合成涡旋光束评价函数的有效性及优势。

异物入限是导致铁路安全事故频发的主要原因之一，传统深度学习需要大量训练样本进行网络训练，但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用，提出了基于通道注意力机制的特征提取网络；为解决样本数量不足时个别样本在特征空间中产生偏离的问题，提出了一种基于类中心微调的网络用于类别中心的修正；同时，基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练，提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比，本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism，CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度；提出的类中心微调和预训练方法对检测精度的提升效果更明显，分别达到3.05%和6.70%，上述模块综合应用的提升效果达到了7.90%。

To improve the performance of few-shot classification, we present a general and flexible method named Multi-Scale Attention and Domain Adaptation Network (MADA). Firstly, to tackle the problem of limited samples, a masked autoencoder is used to image augmentation. Moreover, it can be inserted as a plug-and-play module into a few-shot classification. Secondly, the multi-scale attention module can adapt feature vectors extracted by embedding function to the current classification task. Multi-scale attention machine strengthens the discriminative image region by focusing on relating samples in both base class and novel class, which makes prototypes more accurate. In addition, the embedding function pays attention to the task-specific feature. Thirdly, the domain adaptation module is used to address the domain shift caused by the difference in data distributions of the two domains. The domain adaptation module consists of the metric module and the margin loss function. The margin loss pushes different prototypes away from each other in the feature space. Sufficient margin space in feature space improves the generalization performance of the method. The experimental results show the classification accuracy of the proposed method is 67.45% for 5-way 1-shot and 82.77% for 5-way 5-shot on the miniImageNet dataset. The classification accuracy is 70.57% for 5-way 1-shot and 85.10% for 5-way 5-shot on the tieredImageNet dataset. The classification accuracy of our method is better than most previous methods. After dimension reduction and visualization of features by using t-SNE, it can be concluded that domain drift is alleviated, and prototypes are more accurate. The multi-scale attention module enhanced feature representations are more discriminative for the target classification task. In addition, the domain adaptation module improves the generalization ability of the model.

针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题，提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络，以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题，采用三元组训练网络，依据云图之间的相似性将云图映射到度量空间中，以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时，通过对无损三元组损失函数增加正样本对间距离的约束，改善了传统三元组损失的收敛性能，提高了云图检索的精度。在此基础上，通过哈希学习，将度量空间中的云图特征变换成哈希码，在保证检索精度的条件下提高了检索效率。实验结果表明，在东南沿海云图数据集和北半球区域云图数据集上，本文算法的平均精度均值(mean average precision, mAP)分别达到75.14%和80.14%，优于其他对比方法。

激光散斑被广泛应用于生物医学，成像探测以及无损检测等应用中，为了提升目标在环系统中基于散斑统计特性反馈远场激光聚焦光斑质量的评价效率和精度。提出了多通道协同探测的方法获得回波散斑信号的时间空间融合评价因子，并对散斑场统计理论、多点协同探测系统模型和散斑时间与空间频谱融合统计特性展开深入研究。首先，利用单点探测器探测动态散斑的强度波动信号，对其进行滤波、自相关和傅立叶变换后获得散斑场的功率谱，再乘以权重获得散斑评价因子，探究该评价因子监视远场光斑的可行性。然后，提出对探测面不同空间位点获得的时间信号进行拼接的方法，并列举实现该方法的先决条件。最后，通过仿真与实验验证利用散斑场融合频谱获得评价因子的有效性。结果表明，动态散斑评价因子随目标光斑尺寸的增加而减小，当探测面上4通道协同获取的信号不相关时，评价因子取平均可使精度提高2倍，而时间空间融合频谱获得的评价因子可保证精度的同时使系统带宽提高4倍。综上所述，多点协同获取的散斑评价因子可以更快速的监视远距离运动目标的光斑变化。

以SRCNN（super-resolution convolutional neural network）模型为代表的超分辨率重建模型通常都有很高的PSNR（peak signal to noise ratio）和SSIM（structural similarity）值，但其在视觉感知上并不令人满意，而以SRGAN为代表的拥有高感知质量的GAN（generative adversarial networks）模型却很容易产生大量的伪细节，这表现在其PSNR和SSIM值通常都较低。针对上述问题，提出了一种基于深度反向投影的感知增强超分辨率重建模型。该模型采用双尺度自适应加权融合特征提取模块进行特征提取，然后通过深度反向投影进行上采样，最终由增强模块增强后得到最终输出。模型采用残差连接与稠密连接，有助于特征的共享以及模型的有效训练。在指标评价上，引入了基于学习的LPIPS（learned perceptual image patch similarity）度量作为新的图像感知质量评价指标，与PSNR、SSIM一起作为模型评价指标。实验结果表明，模型在测试数据集上PSNR、SSIM、LPIPS的平均值分别为27.84、0.7320、0.1258，各项指标均优于对比算法。