Recently, there has been increased attention toward 3D imaging using single-pixel single-photon detection (also known as temporal data) due to its potential advantages in terms of cost and power efficiency. However, to eliminate the symmetry blur in the reconstructed images, a fixed background is required. This paper proposes a fusion-data-based 3D imaging method that utilizes a single-pixel single-photon detector and millimeter-wave radar to capture temporal histograms of a scene from multiple perspectives. Subsequently, the 3D information can be reconstructed from the one-dimensional fusion temporal data by using an artificial neural network. Both the simulation and experimental results demonstrate that our fusion method effectively eliminates symmetry blur and improves the quality of the reconstructed images.

针对雷达回波信号能量弱、信噪比低、难以获取高质量中频信号的频域特征，从而导致测量误差较大的问题，提出了同步挤压小波变换 (SST) 结合中值滤波的信号时频分析方法，实现强随机噪声压制。首先，构造24 G连续调频雷达回波信号的仿真模型，通过添加瑞利杂波和高斯随机噪声，对比短时傅里叶变换 (STFT)、连续小波变换 (CWT)、SST时频分析图，提出瞬时频率识别精度作为评价指标 I；其次，利用STFT、CWT、SST算法对实际距离为6 m的回波信号进行时频谱分析。研究结果表明：SST能更好地突出瞬时频率特性，并且可将随机噪声压缩为低能量短线条形。基于该分布特点，SST结合中值滤波能很好地抑制噪声，I值相对于SST、STFT、CWT分别降低了0.21、0.55、0.71，瞬时频率识别精度更高，同时逆变换重构信号的波峰波谷值得到较好的保持，且在不同距离下探测精度误差也最小。

车辆检测对于辅助驾驶系统至关重要，由于雾天道路场景严重退化，图像中的车辆信息不明显，导致车辆检测存在漏检、误检的问题。针对上述问题，本文提出了一种融合毫米波雷达和机器视觉的雾天车辆检测方法。首先，采用暗通道去雾算法对图像进行预处理，提高雾天图像中车辆信息的显著性。然后，采用知识蒸馏改进YOLOv5s算法，在YOLOv5s的特征提取网络中引入知识蒸馏，在目标定位和分类阶段计算蒸馏损失，对损失进行反向传播训练小型网络模型，在保证视觉检测准确度的同时提高检测速度。最后，采用基于潜在目标检测区域搜索的距离匹配算法对视觉检测结果和毫米波雷达检测结果进行决策级融合。以检测目标的类型和距离为匹配依据，滤除干扰信息和错误信息，保留毫米波雷达检测和视觉检测融合后的检测置信度较高的目标，从而提高车辆检测的准确率。实验结果表明，该方法在雾天下最高检测准确率达92.8%，召回率达90.7%，能够实现雾天对车辆的检测。

对流云中过冷水的识别一直是气象探测的难点。基于Ka波段毫米波雷达功率谱数据，结合探空资料，提出了高原对流云内过冷水的识别和反演算法；利用那曲两个个例对算法效果进行了分析，并结合同址的微波辐射计资料对雷达结果进行了初步验证；最后，探讨了算法与以往方法的差异。结果表明：高原层积云、浓积云和高积云内由上升气流主导，云内粒子相态变化快，过冷水粒子的回波强度、粒径和含水量分布较广。对于不同云类，过冷水的空间分布存在一定差异。过冷水的回波强度、粒径和含水量都与上升气流速度呈正相关，在时间变化趋势和空间分布上都有很好的对应。微波辐射计和雷达的液态水路径在时间变化趋势和峰值大小上都较为一致，相关系数为0.63~0.79。与以往方法相比，算法对过冷水位置和参数反演的结果更为合理。

为提升辅助驾驶系统对于道路环境中车辆的感知能力，通过机器视觉与毫米波雷达信息融合技术对前方车辆进行了检测。融合系统中对摄像头和毫米波雷达进行了联合标定，借助三坐标测量仪确定两者的数据转换的关系，优化了深度学习算法SSD的候选框，提高了车辆的检测速度，选用长焦和短焦两种摄像头进行前方图像采集，并将两者重合图像进行融合，提升了前方小目标图像的清晰度，同时对毫米波雷达数据进行了处理，借助雷达模拟器确定合适阈值参数实现对车辆目标的有效提取，根据雷达有效目标数据对摄像头采集的图像进行选择与建立感兴趣区域，通过改进的SSD车辆识别算法对区域中的车辆进行检测，经过测试，车辆的检测准确率最高达到95.3%，单帧图像平均处理总时间为32 ms，该算法提升系统前方车辆检测的实时性和环境适应性。

介绍了西藏羊八井全大气层观象台最新架设的Ka&W双频毫米波云雷达（以下简称YBJ-DFDR，W波段 94 GHz，波长 3.2 mm，Ka波段 35 GHz，波长 8.6 mm）的基本性能，并选择该地区不同类型云的观测数据，对其探测能力开展了分析和对比研究。分析结果显示，该双频云雷达系统具有较高的探测能力，其中W波段雷达和Ka波段雷达在10 km距离处的探测灵敏度分别达为 -39.2 dBZ和 -33 dBZ。对比研究表明Ka和W波段雷达所测等效反射率因子值因云物理属性不同亦呈现不同的特征。发生降雨时，由于液态雨和云粒子对雷达信号的吸收和散射作用，造成回波信号出现衰减，此时Ka和W波段雷达二者之间的衰减程度明显不同，W波段雷达信号衰减较严重，甚至出现衰减后低于探测灵敏度而无法获得回波的情况（严重时二者之差可达30 dB）。而当云中粒子多为冰相时，回波信号的衰减程度显著减弱，W波段雷达相比Ka波段雷达展示出更佳的探测能力，其所测反射率因子值普遍高于Ka波段雷达。研究亦发现Ka波段雷达对于云层边缘区域，如云顶、云底部分，容易出现漏测的情况，从而导致云顶高度的低估和云底高度的高估，其主要原因是这些区域的云粒子较小及数浓度相对较低，回波信号较弱，Ka波段雷达无法探测到。