目前主流的神经网络在面对复杂多样的地物目标时难以精确区分，同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此，在分析遥感影像的地物特点后，提出一种基于权重动态变形的双重网络遥感影像分类方法，通过构架灵活、简易却有效的权重动态变形结构，构建经过改进的分类网络与目标识别网络，形成双网络对照的自我验证，从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明，所提方法在容易实施的基础上，表现出更强的地物认知能力和更强的噪声抵抗能力，即其能够适应各种遥感影像的分类任务，具有较为广阔的应用潜力。

提出了一种基于粒子群优化的融合方法，旨在解决图像融合过程中可能出现的光谱信息和空间细节信息损失、融合图像不清晰等问题。首先对原始图像进行预处理，以获取图像各通道的边缘检测矩阵；其次，利用最小二乘法计算光谱覆盖系数，以获取细节图像；最后自适应注入模型框架，引入加权矩阵，利用粒子群优化算法和综合全局相对误差（ERGAS）指数函数优化边缘检测的权重，计算数据集波段权重，生成最终的融合图像。选取了不同分辨率的遥感卫星影像（WorldView-2、GF-2和GeoEye）进行了研究，并采用5种不同融合方法进行对比实验，选用6种评价指标进行定量分析。结果表明，所提方法在主观视觉效果以及平均梯度和空间频率等客观定量评价指标上表现优于其余方法，在保留光谱和空间信息方面也取得了较好的融合效果。

叠层成像的成像分辨率会受到数值孔径和电荷耦合器件（CCD）像素尺寸的限制。CCD靶面有限则数值孔径有限，采集大光斑图像时，易丢失CCD靶面边缘的部分高频信息。此外，像素尺寸较大会导致成像时采样率不足，也会丢失部分细节高频信息。提出了一种高分辨率叠层成像方法，可同时处理数值孔径和CCD像素尺寸的分辨率限制问题。首先，利用外推法补充因数值孔径有限丢失的高阶衍射信息，之后将外推法重建的图像代入基于多权重损失函数的生成对抗网络中，即可快速解决像素尺寸受限问题，提高成像分辨率。多权重损失函数为均方误差、特征图误差和对抗误差的加权和。通过设置合理的权重，可以实现像素和视觉层面的均衡处理。仿真及实验结果表明，该方法在提高叠层成像系统分辨率上具有显著效果，且运算效率高。

针对基于测距的无线定位技术中位置解算算法精度不高、计算效率低的问题，提出一种基于Chan与改进麻雀搜索算法的协同定位算法。首先，将Chan算法运用于到达时间（TOA）定位模型估算位置初值；其次，采用SPM复合混沌映射初始化、黄金正弦策略、自适应权重因子、柯西-t扰动以及弹射边界处理改进麻雀搜索算法，有效提高算法的全局搜索能力和收敛精度；最后，在位置初值进行改进麻雀搜索算法迭代计算得到最终位置估计。仿真和实验结果表明，所提算法可提高无线定位精度和定位速度。

光谱反射率维度高, 与光照和观察条件无关, 能够真实、 客观地描述物体的颜色信息, 由物体本身特性决定, 因此被称为物体的“指纹”。 但是, 光谱反射率数据量超过传统三色系统十倍以上, 这些巨大的光谱数据在存储、 数据处理及传递等方面造成巨大的负担, 花费太多的计算时间。 如果高维光谱可以通过数学变换方法映射到低维空间, 并确保低维空间能够更好地表示原始光谱所覆盖的信息, 可以有效地压缩多光谱数据, 提高基于光谱的颜色复制的处理效率。 针对主成分分析法平等地对待可见光范围的所有波长, 重建光谱仅仅是对原始光谱的数学逼近, 由于波长对颜色的重要性不同, 经常会导致光谱重建误差较小而色度误差较大的问题, 提出了一种基于光谱色差权重函数的多光谱降维算法。 使用主成分分析法将孟塞尔颜色系统Munsell维度降低到1维, 再恢复重建到31维, Munsell的原始光谱和重建光谱的平均光谱色差作为权重函数。 以NCS为训练样本, 分别以NCS、 Munsell和3张多光谱图像为测试样本, 分析和比较本文推荐的权重主成分分析法与主成分分析法以及另外4种权重主成分的性能。 以D65/2°和A/2°照明观察条件下的CIELAB色差和均方根误差(RMSE)分别评价测试样本的原始光谱和重建光谱之间的色度重建精度和光谱重建精度。 实验统计结果表明: 相对于主成分分析法, 无论测试样本是多光谱数据还是多光谱图像, 推荐的方法在牺牲一定光谱重建精度的情况下, 在D65/2°和在A/2°两种照明观察条件下的色度重建精度得到显著的提高, 而色度重建精度提高对于目前广受关注的基于光谱的颜色复制研究具有非常重要意义。 实验统计结果也表明本文推荐的方法的色度重建精度优于目前已经存在的另外4种权重主成分分析法。

为了解决农业无人机在障碍物干扰环境中进行路径规划任务时存在的寻优精度低、避障能力弱等问题, 利用无线紫外光通信引导设备全天候非直视通信、隐秘通信及适用于各种特殊场合等特点, 建立了无线紫外光飞行路径引导系统, 提出基于指数递减策略的改进蝙蝠算法（EDS-IBA）, 引入基于指数递减策略的动态惯性权重和相邻路径点的人工势场, 在保证无人机路径平滑的同时, 避免陷入局部最优, 通过障碍物干扰代价和紫外光通信代价保证飞行环境的多样性及真实性。结果表明, EDS-IBA相较于基于差分进化算法的改进蝙蝠算法和传统蝙蝠算法, 2维环境下, 规划的平均路径长度分别缩短了10.7%和16.3%;3维环境下, 规划的平均路径分别缩短了13.7%和36.2%;算法达到收敛状态时, EDS-IBA的适应度值也较小, 在路径规划能力和算法性能方面有较好的可行性和有效性。该研究对无人机路径规划的实际应用和开发具有一定的现实意义。

为了提高现行室内可见光定位系统的定位精度，提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先，将决定定位精度的欧式距离转换为目标函数最小值优化问题; 其次，利用惯性权重动态赋值，增强粒子群算法初期的全局搜索能力和后期的局部搜索能力; 然后，利用正弦函数使得个体认知因素值非线性地减小，利用余弦函数使得群体认知因素值线性地增加，以进一步提升定位精度; 最后，通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明，在5m×5m×3m和5m×4m×3m两种定位模型中，在0，0.5，1.0和1.5m四个高度平面的空间定位平均误差分别为0.65和0.54cm; 实验结果显示，在搭建的1m×1m×0.8m和1m×0.8m×0.8m室内空间中的平均定位误差分别为2.67和1.81cm。

针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题（Non-IID），提出了一种基于自适应聚合权重的联邦学习算法（FedAaw）。在全局模型聚合过程中，提出准确率阈值来筛选出本地模型，并由中心服务器采用筛选后模型的准确率计算相应的聚合权重，从而对全局模型进行聚合，使得分类性能较佳的模型参与全局模型的构建，以达到缓解多中心数据Non-IID的问题。同时，为提高模型挖掘图像长短距离信息之间的能力，在本地和全局模型中引入多头自注意力（MHSA）机制。此外，为缓解端对端的冗余特征造成的模型过拟合问题，提取全局模型中卷积核的特征，并采用基于L₁范数的稀疏贝叶斯极限学习机（SBELML₁）的集成学习方法完成各中心数据的特征分类。最后，通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1（0.7947~0.8037）、中心2（0.8105~0.8405）、中心3（0.6768~0.7758）、中心4（0.8496~0.9063）、中心5（0.8913~0.9348），该结果表明：FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。