针对文本生成图像任务中的文本编码器不能深度挖掘文本信息，导致后续生成的图像存在语义不一致的问题，本文提出了一种改进DMGAN模型的文本生成图像方法。首先使用XLnet的预训练模型对文本进行编码，该模型在大规模语料库的预训练之下能够捕获大量文本的先验知识，实现对上下文信息的深度挖掘；然后在DMGAN模型生成图像的初始阶段和图像细化阶段均加入通道注意力模块，突出重要的特征通道，进一步提升生成图像的语义一致性和空间布局合理性，以及模型的收敛速度和稳定性。实验结果表明，所提出模型在CUB数据集上生成的图像相比原DMGAN模型，IS指标提升了0.47，FID指标降低了2.78，充分说明该模型具有更好的跨模态生成能力。

微小型无人飞行器的屏蔽效能对其抗外部强电磁干扰能力有显著影响。针对微小型飞行器物理空间小、屏蔽效能难以测量的困难，提出一种基于扩比模型的等效获取方法，将原模型等比例扩大n倍得到扩比模型，利用常规屏蔽效能测试方法和测试仪器测量得到扩比模型的屏蔽效能，再根据扩比模型和原模型屏蔽效能的关系得到原模型的屏蔽效能。以巡飞弹和四旋翼无人机两种典型微小型飞行器为例进行了仿真，结果表明原模型在频率f处的屏蔽效能等于扩比模型在频率f₁=f/n处的屏蔽效能，验证了该方法的正确性。在此基础上，总结提出了基于扩比模型的等效测试流程，为微小型飞行器屏蔽效能的测试提供了一种可行的测试方法。

在光声层析成像（photoacoustic tomography，PAT）时，不均匀光通量分布、组织复杂的光学和声学特性以及超声探测器的非理想特性等因素会导致重建图像质量下降。本文考虑不均匀光通量、非定常声速、超声探测器的空间脉冲响应和电脉冲响应、有限角度扫描和稀疏采样等因素的影响，建立了前向成像模型。通过交替优化求解成像模型的逆问题，实现光吸收能量分布图和声速分布图的同时重建。仿真、仿体和在体实验结果表明，与反投影法、时间反演法和短滞后空间相干法相比，该方法重建图像的结构相似度和峰值信噪比可分别提高约83%、56%、22%和80%、68%、58%。由上述结果可知，对非理想成像场景采用该方法重建的图像质量有显著提高。

由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。

针对索驱悬吊式重力卸荷系统被动缓冲器带来的欠驱动问题，提出了基于气动人工肌肉（Pneumatic Artificial Muscle， PAM）主动式缓冲器控制方法。首先，分析用于地面微/低重力模拟的悬吊式重力卸荷系统，为了克服PAM高度非线性特性，提出基于块结构的非线性神经网络建模方法，其次分析吊索与航天器相互作用过程中挠性引起的力扰动，最后采用非线性模型预测跟踪控制。相比传统PID控制方法，该方法具有参数调节简单，实时跟随性能好，以及对卸荷系统目标惯性参数的摄动具有控制性能不变性等优势。实验结果表明，设置不同扰动情况跟随力误差都能保证在3%以内，实验证明了基于PAM主动缓冲器的可行性，所提出的控制方法能够在挠性不确定性的情况下实现力跟随控制。

为了实现超冗余机械臂动力学模型的精确辨识，提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先，介绍了超冗余机械臂的动力学模型和最小参数集，建立了关节非线性摩擦模型，使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束，基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后，利用数据集训练BP神经网络，得到超冗余机械臂半参数动力学模型，并与多种算法进行了比较分析。实验结果表明：相较于传统的最小二乘算法和加权最小二乘算法，通过使用本文提出的辨识算法，关节辨识力矩残差均方根（Root Mean Square, RMS）之和分别提高了32.81%和23.76%，半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%，辨识结果验证了辨识方法的有效性和优越性。