为了消除激光诱导击穿光谱技术（laser-induced breakdown spectroscopy，LIBS）中的自吸收效应，提高元素定量分析的精确度，同时满足工业中便捷分析元素的要求，需将自吸收免疫激光诱导击穿光谱技术（self-absorption free laser-induced breakdown spectroscopy，SAF-LIBS）的装置小型化。本文提出了一项新型的高重频声光门控SAF-LIBS定量分析技术，使用高重频激光器产生准连续的等离子体以增强光谱强度，并将声光调制器（acousto-optic modulator，AOM）作为门控开关，从而使微型CCD光谱仪和AOM能够代替传统大型SAF-LIBS装置中的像增强探测器（intensified charge coupled device，ICCD）和中阶梯型光栅光谱仪，实现自吸收免疫的同时缩小了装置的体积，降低了装置的成本。将该系统参数进行优化选择后，对样品中的Al元素进行了定量分析和预测。实验结果表明，等离子体的特性受激光重复频率的影响进而会影响光谱信号的强度。在1 ~ 50 kHz激光重复频率范围内，Al I 394.4 nm和Al I 396.15 nm的双线强度先增强后减弱，确定最佳的激光重复频率为10 kHz。在不同的光纤采集角度下，Al的双线强度比随延迟时间的增加而减小，在45°处信噪比最高，且在一定的积分时间下，最佳光学薄时间t_ot为426 ns。在激光重复频率为10 kHz、光纤采集角为45°、延迟时间为400 ns的条件下，对Al元素进行定量分析和预测结果表明，Al元素定标曲线的线性度R²为0.982，平均绝对测量误差相对于单一LIBS的0.8%可以降低至0.18%。定量分析结果与传统大型SAF-LIBS装置的测量精度相持平。因此本高重频声光门控SAF-LIBS装置不仅有效地屏蔽了光学厚等离子体中的连续背景辐射和谱线加宽，同时具备小型化、低成本、高可靠性的优点，有助于推动SAF-LIBS技术由实验室走向工业应用。

针对铁谱图像获取时人工对焦误差大、速度慢等问题，提出了一种融合全局信息和局部信息的铁谱图像自动对焦方法。此方法分为两个阶段：全局对焦阶段利用卷积神经网络(Convolutional Neural Networks，CNN)提取整幅图像的特征向量，并利用门控循环单元(Gate Recurrent Unit，GRU)融合对焦过程提取的特征，预测当前全局离焦距离，起到粗对焦的作用；局部对焦阶段提取磨粒的特征向量，利用GRU融合当前特征与前一轮对焦提取的特征，并依据最厚磨粒信息，预测当前磨粒离焦距离，起到精对焦的作用。同时，为了提高对焦准确率，提出了结合拉普拉斯梯度的对焦方向判定法。实验结果表明，此算法在测试集上的对焦误差为2.51 μm，当景深为2.0 μm时对焦准确率为80.1%，平均对焦时间为0.771 s。本文提出的自动对焦方法具有较好的性能，为铁谱图像自动准确采集提供了技术支持。

在二维光子晶体中嵌入了线缺陷，利用线性干涉效应和波导耦合，设计了一种基于二维光子晶体的同或门和与非门结构。主要采用平面波展开法对该二维光子晶体的能带结构进行分析，采用时域有限差分法，结合线性干涉效应，在Rsoft平台对所设计的同或门和与非门进行稳定电场图和归一化功率仿真。仿真结果标明：设计的同或门对比度高达29.5 dB，响应时间为0.073 ps，数据传输速率为13.7 Tbit/s；设计的与非门对比度高达24.15 dB，响应时间为0.08 ps，数据传输速率为12.5 Tbit/s。这些结果表明所设计的结构对比度高、响应时间短和数据传输速率快。

工业废水分类是水污染防治和水资源管理的前提和基础，相较于生活污水，工业废水的分类研究相对滞后。水体化学需氧量 (COD) 是衡量水体质量的核心指标，针对现有工业废水COD分类算法中预测精度较低的问题，提出基于门控循环单元 (GRU) 的卷积神经网络 (CNN) 混合模型。该模型首先将紫外-可见光谱法测得的工业废水COD数据进行高斯滤波去噪，然后把去噪后的光谱数据输入CNN模型进行特征提取，最后通过GRU神经网络实现工业废水COD分类。实验结果显示，CNN-GRU分类模型经过200次训练后达到收敛, 分类精度达到99.5%，与长短期记忆方法、GRU方法、CNN-LSTM方法相比，该混合模型的分类精度具有显著优势。

反应堆在各种工况下堆芯瞬态热工水力参数预测的准确性，直接影响到反应堆的安全性。质量流量和温度作为堆芯热工水力的重要参数，二者常被建模为时间序列预测问题。研究旨在解决瞬时条件下堆芯热工水力参数连续预测的精度问题，检验基于注意力机制的门控循环单元在核心参数预测中的可行性。本文采用1/2中国实验快堆（China Experimental Fast Reactor，CEFR）为研究对象，使用快堆子通道程序SUBCHANFLOW生成瞬态堆芯热工水力参数的时间序列，采用基于软注意力的门控循环单元（Gated Recurrent Unit，GRU）模型预测堆芯的质量流量和温度时间序列。结果表明：相较于自适应径向基（Radial Basis Function，RBF）神经网络，本文使用的软注意力的GRU网络模型预测结果更好，温度在步长为3的情况下平均相对误差不超过0.5%，在15 s内预测效果较好；质量流量在步长为10的情况下平均相对误差不超过5%，且在后续12 s内预测效果较好。本文构建的模型不仅在连续预测过程中表现出更高的预测精度，且能捕捉到动态时间序列中的趋势特点，这对维护反应堆安全，有效防止核电厂事故有极大的用处。基于软注意力的GRU模型能在瞬态反应堆工况下提供一段时间的连续预测，在工程应用中和提高反应堆安全性上具有一定的参考价值。

电磁探测成像系统能够对电磁干扰源进行大范围、宽频带且快速的定位，系统主要由抛物反射面和多通道超宽频带信号采集系统组成。由于各个通道器件参数受限于制造工艺的影响不可能完全一致，探测不同频率干扰源的响应特性也不相同，导致获得的电磁图像中存在的条带噪声随干扰源的频率变化而呈现出不同的特征，严重地影响定位的精度。构建了双向门控循环单元（BiGRU）-卷积神经网络（CNN）模型，根据实测数据构建数据集作为模型的输入，BiGRU和CNN利用图像相邻行间的强相关性，从过去和未来的输入中广泛收集冗余信息，对条带噪声进行提取并对空间信息进行整合处理，利用数据之间的差值对这个过程进行循环迭代。通过大量的实验对模型进行验证，BiGRU-CNN方法与测试的经典方法相比更优，在垂直梯度能量方面降低了15.2%，在残差非均匀性方面降低了21.9%。