人体姿态估计和动作识别在安防、医疗和运动等领域有着重要的应用价值。为了解决不同背景及角度下各类运动动作的人体姿态估计和动作识别问题，本文提出了一种改进的YOLOv7-POSE算法，并自行拍摄制作各种拍摄角度的数据集进行训练。此算法以YOLOv7为基础，对原始网络模型添加了分类的功能，在Backbone主干网络中引入CA卷积注意力机制，提升了网络在对人体骨骼关节点和动作的分类的重要特征的识别能力。用HorNet网络结构代替原模型的CBS卷积核，提高了模型的人体关键点检测精度和动作分类的准确度。将Head层的空间金字塔池化结构替换为空洞空间金字塔池化结构，提升了检测精度并且加快了模型收敛。将目标检测框的回归函数由CIOU替换为EIOU，提高了坐标回归的精度。设计了两组对照实验，实验结果证明，改进后的YOLOv7-POSE在验证集上的mAP为95.7%，相比于原始YOLOv7算法提高了4%，各类运动动作识别准确率显著上升，在实际推理中的关键点错检、漏检等情况明显减少，关键点位置估计误差明显降低。

针对编解码语义分割网络计算量大、解码结构复杂的问题，提出一种高效无解码的二值语义分割模型DFNet。该模型首先去除主流分割网络中复杂的解码结构和跳跃连接，采用卷积重塑上采样方法重塑特征编码直接得到分割结果，简化网络模型结构；其次在编码器中融合轻量双重注意力机制EC&SA，提高特征编码的通道及空间信息交互，增强网络的编码能力；最后使用PolyCE损失替代常规分割损失，解决正负样本不均衡问题，提高模型的分割精度。在DeepGlobe道路分割和CrackForest缺陷检测等二值分割数据集上的实验结果表明，本文模型的分割精度F1均值和IoU均值分别达到84.69%和73.95%，且分割速度高达94 FPS，远超主流语义分割模型，极大地提高了分割任务效率。

随着遥感技术在铁路行业应用的深入，应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题，应用InSAR技术可以获得铁路设施沉降信息，沉降信息的分析提取往往要借助设施的类别、位置等属性，否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像，通过目标检测技术对铁路设施进行自动提取，确定铁路设施微波散射点与光学属性中类别与位置的对应关系；选取典型区域，以接触网立柱为例，利用多源遥感影像对文中提出的提取方法进行验证，结果显示：综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取，提取准确率较光学遥感影像提取准确率提高2.8%，较SAR影像提取准确率提高9.2%，同时提取结果中设施位置更准确，可减少因设施的错误监测造成的行车安全影响，为InSAR对铁路设施形变的定量化监测提供参考。

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异，导致传统阈值算法对云识别精度不高的问题，文章提出了一种顾及样本优化选择，耦合物理阈值方法和机器学习的云检测算法模型，利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择，使样本中尽可能包括不同情形下的云特征，为机器学习模型提供良好的样本基础，增加模型泛化能力；同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外，还加入了基于反照率和亮温差的物理阈值方法云识别结果；最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%，总漏检率和总虚检率分别为2.08%和0.91%；通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析，结果显示云检测总体精度为97.1%。

滑坡实时自动识别技术研究对于保护人民生命财产和生态安全都具有极其重要的意义，可以解决现阶段缺乏对滑坡进行及时识别而导致滑坡风险的排查与防治时效性差的问题。考虑植被覆盖指数（NDVI）的变化可作为滑坡检测的重要依据之一，文章模型结合NDVI变化检测技术、自动阈值选取算法和形态学技术实现滑坡的实时、自动识别。与现阶段已有研究算法相比，增加了滑坡自动识别过程中一些重要参数（如：NDVI、山体阴影等）。自适应设置的自动阈值选取算法，减少了人工参与，在保证较高识别准确率的同时显著增强其时效性。文章基于两幅光学影像，以北京市门头沟区某块区域为研究区，对该地区2021年9月7日—2022年9月7日的滑坡进行实时、自动识别，以人工目视解译的结果作为正确标准，将文章的识别结果与其进行精度验证，滑坡检测率达到92.31%，证明了该方法用于检测滑坡的准确性和高效性。最后将该方法应用于都江堰市中部，进一步证明了该方法的有效性和泛化能力。

光学下变频技术可将宽频带内全部电磁信号同时下变频到低频区间进行接收，是一种新型宽频带电磁环境快速接收技术。但是，获取的光学下变频信号中包含源个数未知、带宽不同的多种信号，现有信号分离方法需要获知源信号的个数，且无法同时分离窄带信号和宽带信号。为实现对光学下变频信号的自动分离，提出了一种基于变分模态分解（VMD）自适应模态重组的光学下变频信号分离方法。通过频谱分割因子和频谱包络检测，对光学下变频信号的VMD过分解模态进行自动重组和信号重组模态提取，实现光学下变频信号分离。对于包含普通脉冲信号、宽带码分多址（WCDMA）信号和线性调频脉冲信号的光学下变频信号，可自动实现对三种信号的分离，且与原信号的相似系数均高于0.97。实验结果表明，所提及方法在分离光学下变频信号时无需获知源信号的个数，并能同时分离具有不同带宽的多种源信号。

随着移动通信、物联网、车联网、工业互联网等网络的发展，电磁环境日益复杂，非法电子设备也日渐增多，各类信号耦合互调现象严重，这给泄漏信号类型识别带来了难题。提出基于融合特征的泄漏信号分类识别方法，综合运用高维度特征提取方法和图形化降维表征方法，结合残差网络等深度学习模型与特征融合分析方法，能够更综合地区分多类电磁泄漏信号，特征抗噪声鲁棒性高，方法可解释性好，可支撑基于电磁信号类型识别的辐射源智能检测工程应用。