针对基于WiFi信道状态信息(Channel State Information, CSI)的人体活动识别(Human Activity Recognition, HAR)技术在多人场景下，因动作遮挡与重叠导致识别困难的问题，探索提升复杂场景识别准确率与鲁棒性的方法。为此，提出时频多尺度金字塔网络(Time-Frequency Multi-Scale Pyramid Network, TFMS-Net)模型，通过频域增强模块实施多通道滤波，引入门控机制增强信号抗干扰能力；利用动态时空卷积模块结合双重门控机制捕捉动作特征，采用多尺度空洞卷积挖掘交互信息，借助通道分割策略并行处理子信号，通过分层下采样实现个体动作特征分离。在室内多人活动场景实验中，该模型对复杂动作的识别准确率超过92%,显著提升了基于WiFi CSI的HAR技术在多人场景下的鲁棒性，为非接触式多人动作识别提供了有效的解决方案。
光伏组件表面缺陷的高效检测是保障光伏系统可靠性的关键，现有方法在微小缺陷检测、复杂背景干扰抑制等方面存在显著挑战。为此，提出一种基于YOLOv8n改进的光伏缺陷检测模型MBL-YOLOv8n。该模型通过两模块优化策略提升性能。在Backbone中引入了C2f-MBConv模块，结合深度可分离卷积与挤压-激励(Squeeze-and-Excitation, SE)注意力机制，增强了对微小缺陷(如油墨点、微裂纹)的细粒度特征提取能力；引入大尺度选择性卷积核注意力(Large-scale Selective Convolutional Kernel Attention, LSK-Attention)机制，通过动态融合多尺度卷积核的特征响应，自适应调整感受野范围，显著提升了模型对低对比度缺陷的敏感性与复杂背景的鲁棒性。在自制的光伏组件数据集上的实验结果表明，与原始的YOLOv8n相比，所提出的MBL-YOLOv8n模型在各项指标上取得了良好的提升，将mAP50提高了2%,召回率和精度分别提升了1.8%和2.5%。MBL-YOLOv8n模型在光伏组件缺陷检测中展现出较好的精度，为光伏产业智能化质检提供了有效的解决方案。
为满足无线电波传播预测的需求，提出了一种结合卫星影像地物特征与无线电传播特性的深度学习模型RadioDualNet,以实现电波传播过程与地理空间信息的关联及可视化表示。在此基础上，设计了一种基于深度学习和Web技术的移动通信电波预测系统。该系统在开源数据集和实测数据集上进行训练与测试，结果表明，所提模型在开源数据集上的预测性能提升了45.8%,在2个数据集中的预测结果均与实测值保持较高一致性，验证了模型的有效性与适用性，为无线通信领域的网络规划与电波传播研究提供了重要参考，在提升预测精度的同时展现了良好的鲁棒性与应用价值。
针对O型密封圈表面缺陷检测技术检测效率不高且检测速度慢的问题，提出一种基于改进YOLOv10n的缺陷检测算法。设计了C2f-GhostV2模块，在保持特征表达能力的同时降低大量训练资源；引入自适应下采样模块(Adaptive Downsampling Module, ADown),在更高层次上捕捉图像的特征，提高算法对小目标特征的学习能力；添加简单无参注意力模块(Simple Parameter-Free Attention Mechanism, SimAM),使模型更加关注表面缺陷特征的提取；引入轻量级共享卷积检测头(Lightweight Shared Convolutional Detection Head, LSCD-Head),解决检测头检测到的目标尺度不一致的问题，提升检测头定位和分类的性能。结果表明，GAS-YOLO能有效提升模型对于O型密封圈表面缺陷的检测，算法的平均精度均值(mean Average Precision, mAP)达到了94.4%,相较于YOLOv10n模型提升了1.7个百分点，帧率(Frames Per Second, FPS)达到129,计算量(Floating Point Operations, FLOPs)降低了14%,能更好地满足工业检测要求。
近年来，低功耗广域网络(Low-Power Wide-Area Network, LPWAN)技术在低轨道(Low Earth Orbit, LEO)卫星通信中的应用快速发展。作为LPWAN的典型代表，远距离无线电(Long Range, LoRa)技术因其低功耗与广覆盖特性，成为卫星物联网通信的研究热点。然而，在低信噪比(Signal to Noise Ratio, SNR)条件下，LoRa调制系统的下行链路存在解调误差问题，导致数据传输可靠性显著下降。针对这一问题，通过理论推导与模型分析，研究了Rician信道下LoRa卫星通信系统的误符号率(Symbol Error Rate, SER)性能。通过推导视距(Line of Sight, LOS)路径信号的SER闭式表达式，分析了非视距(Non Line of Sight, NLOS)多径分量对LOS信号解调的干扰机制。在此基础上，提出了一种基于干扰影响阈值的SER优化模型，进一步揭示了低SNR环境下系统的性能极限。仿真结果表明，所推导的闭式表达式能够准确刻画NLOS干扰与LOS信号SER的关联性。优化模型可有效提升低SNR场景下的解调可靠性，为LoRa技术在卫星物联网中的实际部署提供了理论依据与设计指导。
人脸重演技术作为可控人脸生成领域的关键研究方向，其目标在于通过给定的驱动人脸图像或视频帧，驱动源人脸图像，实现其面部表情和姿态的准确可控合成。该技术要求生成结果既能保持源人脸图像的身份特征，又能与驱动人脸图像的表情姿态保持高度一致。单样本人脸重演任务由于仅依赖单一视角的2D人脸图像，导致面部信息描述不充分。现有方法在生成姿态变化幅度较大的人脸图像时，难以准确地保持人脸身份、表情姿态的一致性。针对该问题，提出了一种基于3D可解释性神经渲染的单样本人脸重演(3D Explainable Neural Rendering Based Single-sample Face Reenactment, 3D-ENS)方法。该方法在神经网络内部显式建模出固定的3D人脸结构及纹理信息用于整个重演视频生成阶段，以保证重演结果中人脸身份的一致性和表情姿态变化的稳定性。在此基础上构建了一种神经纹理补全网络，通过多尺度特征学习机制实现高质量面部纹理重建；提出了一种背景运动估计网络，预测驱动后人脸图像的背景，将背景信息与补全后的面部神经纹理渲染(Neural Texture Rendering, NTR)结果进行融合。使用关键点检测模型提供面部一致性约束，进一步提升模型的表观一致性。在主流基准数据集与真实场景数据上的实验证明，所提方法具有较好的身份保持度，能够有效应对面部姿态变化的复杂场景，为人脸重演任务提供了新的解决方案。
针对无人机航拍图像小目标检测中面临的目标尺寸微小、分布密集、特征信息模糊以及复杂背景干扰等挑战，对YOLO11模型进行改进。改进主要聚焦在3个方面：设计了渐进式多尺度特征提取模块CSMAConv(Channel Split Multi-scale Aggregation Convolution),对原有C3k2模块进行改造，通过通道分割与多尺度卷积级联结构，既保留了原始特征信息又扩大了感受野范围，显著增强了对多尺度细节特征的捕获能力；提出了新的特征金字塔结构HEFFPN(Hierarchical Efficient Fusion Feature Pyramid Network),通过构建额外的跨尺度特征融合路径并引入SBA(Selective Boundary Aggregation)特征融合模块，频繁整合不同尺度信息，提升了特征融合能力；设计了共享增强型检测头(Shared Enhanced Detection-Head, SED-Head),在降低计算复杂度的同时提高了小目标检测效率。在VisDrone-DET2019数据集的实验中，改进后的模型较YOLO11s在参数量降低51.1%的同时，mAP@0.5和mAP@0.5:0.95分别提高了0.099和0.07,验证了模型的有效性。
植被指数是区分不同地表覆盖类型的重要特征，受气候、大气二向反射、地理条件等因素影响显著。针对现有基于植被指数的地表覆盖分类方法只利用时序植被指数、未考虑不同地物植被指数随季节变化和趋势变化产生的差异特征，提出一种基于归一化植被指数(Normalized Difference Vegetation Index, NDVI)时序特征分解的地表覆盖分类方法，采用时序分解方法提取地物植被指数序列的季节特征和趋势特征，结合动态时间规整(Dynamic Time Warping, DTW)算法与诱导有序加权调和平均算子(Induced Ordered Weighted Harmonic Averaging Operator, IOWHA)对特征分量加权组合，基于最近邻算法构建地表覆盖分类模型。广灵县MOD13Q1数据分类实验表明，基于NDVI时序特征分解的分类方法可以提取不同地物随季节变化和趋势变化的差异特征，总体分类精度在88%以上，相比于未加入时序分解特征的分类方法提升近8个百分点，能够为基于植被指数特征的地表覆盖时序分类研究提供支持。
随着云计算、物联网、UAV通信技术的发展，面对海量通信需求，未来网络建设趋于异构密集化、无小区化、自组织化。以用户为中心分簇为每个用户定义一个基站(Base Station, BS)协作簇，在提升用户性能、降低干扰方面具有优势，是未来大规模连接、超低时延、超可靠通信的重要支撑技术。对基于随机几何分析以用户为中心分簇性能的现有工作进行总结整理，梳理了随机几何理论建模动态网络环境的核心要素：节点分布、无线信道、分簇方法，针对异构蜂窝网络、毫米波(millimeter-Wave, mmWave)、UAV辅助边缘计算以及无小区大规模多输入多输出(Cell-Free massive Multiple Input Multiple Output, CF-mMIMO)等多种通信场景，对概率类、容量类性能指标以及具体近似方法进行了总结。
周跳是全球卫星导航系统(Global Navigation Satellite System, GNSS)载波相位观测中因信号中断导致的整周跳变，严重影响整周模糊度的正确固定和定位精度。系统地分析了各类周跳探测方法的技术特点及适用性，为高精度GNSS定位提供了理论支持。针对GNSS载波相位数据中存在的周跳问题，理论推导了各种传统的周跳探测方法并分析了其优缺点，系统分类总结了常用的单频、双频周跳探测方法。对不同方法的仿真与实验验证结果表明，单频周跳探测方法操作简便，但对小周跳探测敏感性低且易受干扰；双频探测方法能够有效消除大部分误差源影响，探测精度提高至1周水平，但存在无法探测特定不敏感周跳对的缺陷。对于上述问题，通常通过联立互补的周跳探测方法，提高周跳探测成功率。在不同的场景下，选用合适的周跳探测修复方法对周跳的探测结果至关重要。