为实现脉冲激光回波信号参数的高精度测量，利用全波形采样技术设计了一种微弱激光信号检测系统，对信号的脉宽、实时功率以及能量等参数进行分析。所提系统硬件平台使用低噪声宽动态范围模拟前端进行信号预处理，基于现场可编程逻辑门阵列、模数转换器等模块实现数据量化与动态时域锁存。针对低采样率平台数据离散程度高引起的波形重构失真，提出了一种基于非均匀周期触发信号的多帧积累算法以降低硬件平台成本。通过对量化数据的拟合补偿，所提算法提升了系统激光信号参数的解算精度。所提系统对脉宽3 ns、峰值功率9 μW的脉冲激光器进行参数检测并与高采样率平台进行对比。结果表明：所提系统对激光信号的脉宽解算误差约为0.041 ns，峰值功率解算误差约为0.53 μW，能量积分误差约为4.52 fJ，所有参数重复测量不确定度小于8%。

芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中, 亲脂性强, 对人体有致癌影响。 因此, 食用油中芘的含量的判定对品质的把控具有深远的意义。 采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。 将一毫升食用油与不同固定浓度的芘液体混合制作样本, 然后制作薄层色谱板与金粒子, 采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据, 选取自适应迭代加权惩罚最小二乘算法进行预处理, 再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。 该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、 半高宽、 面积等参数。 将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数, 将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中, 输出预测浓度。 实验分别采用不同的算法进行浓度预测, 实验结果表明, 通过偏最小二乘算法预测的芘浓度, 其测试集决定系数R2为0.58, 均方根误差(RMSEC)为1.85; 采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度, 其测试集决定系数R2为0.26, 均方根误差(RMSEC)为2.28; 采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度, 其测试集决定系数R2为0.99, 均方根误差(RMSEC)为0.31, Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高, 误差更小。 模型是针对光谱数据信息与样本浓度之间非线性、 高维度的关系, 而建立的预测精度及建模效率均高于同类对比的算法模型。 模型拟合特征峰获取关键变量, 将关键变量与特征峰的拉曼位移都作为特征向量, 因此特征向量较为充分, 模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点, 防止过拟合, 因此可以更加精准快捷地预测出芘的浓度。

聚焦评价算法是叠焦大景深成像的核心，针对聚焦评价算子性能评估方面的实验需求，提出了一种基于图像序列采样点聚焦评价散点图高斯拟合的聚焦评价算子性能评估方法，对已有的聚焦评价算子进行了性能评估实验。将传统的图像清晰程度指标加以改造，提出了一种梯度加权图像锐度算子，并采用实采图像和模拟图像分别对比了所提算子与现有算子的性能差异。研究结果对于实施叠焦测量有一定参考意义。

采用离子注入法制备了不同剂量的β-Ga2O3∶Eu3+样品, 并在空气中进行了退火处理, 成功实现了Eu3+的光学激活。通过拉曼和X射线衍射表征了β-Ga2O3晶体随Eu3+注入剂量的应力变化趋势, 发现随着Eu3+剂量的增加, 晶格应力先增加后减少, 并对其内在机理进行了分析。利用阴极荧光光谱对晶体的发光性质进行了表征, 主要观察到峰值位于380 nm附近、宽的缺陷发光峰以及峰值位于591 nm、597 nm和613 nm的Eu3+发光峰。通过高斯拟合发现, 该380 nm发光峰主要由360 nm、398 nm和442 nm三个子峰构成, 分别与自陷激子和施主-受主对有关。此外, Eu3+发光峰位置与强度受到基质局域晶体场的影响。

相比传统监测手段，光纤传感器具有灵敏度高、本质绝缘性高、抗电磁干扰能力强等优势，但基于光纤布拉格光栅的湿度传感器易受温度和应力影响，存在湿度测量误差大、稳定性差等问题。针对这些问题，提出了一种单光栅半涂覆温湿度传感器的制备方法。首先，在光栅的一半栅区上涂覆湿敏材料，另外一半栅区为裸光栅。然后，对裸光栅的反射光谱峰值曲线进行高斯拟合，建立环境温度与中心波长λ的函数关系。最后，分析了光栅反射光谱曲线和峰值功率围成的面积S与不同环境湿度的关系，建立面积S与环境相对湿度的函数模型，并采用温湿度发生器对传感器进行测试。实验结果表明，在10%RH~90%RH（%RH为相对湿度）范围内，该传感器具有较好的重复性，湿度监测灵敏度为2.95/%RH，响应时间为6.6 min，满足仓储等行业对温湿度的监测需求，为相关领域的温湿度监测提供了一种新的解决方案。