针对智能反射面(Intelligent Reflecting Surface, IRS)辅助的毫米波通信系统级联信道估计难题，设计了一种基于时间尺度的信道估计机制，并提出一种结合加权思想的K-Medoids聚类稀疏自适应双结构正交匹配追踪(Weighted K-Medoids Clustering Based Sparse Adaptive Double-Structured Orthogonal Matching Pursuit, WK-ADS-OMP)算法。有效解耦了级联信道的时间尺度性质后，利用K-Medoids聚类算法构建级联信道矩阵的行自适应稀疏度估计机制，通过加权阈值得到行支撑集与稀疏度，根据加权形式的残差相关与聚类得到的噪声簇均值作为自适应算法残差阈值判决准则，从而得到级联信道矩阵的列支撑集与稀疏度，能够在摒弃了对先验稀疏度信息依赖的同时完成信道估计。通过理论建模与多场次仿真结合验证，在提出的信道估计机制下，该算法在低信噪比(Signal to Noise Ratio, SNR)环境中展现出显著鲁棒性，较传统基于压缩感知的信道估计算法归一化均方误差(Normalized Mean Square Error, NMSE)可提升1.4～3 dB,在实际复杂环境中展现出更强的鲁棒性和工程实用性。
针对认知无线电(Cognitive Radio, CR)信号调制识别任务中，面对复杂信号类型时分类能力不佳的问题，结合新型图深度学习理论，提出了一种改进的基于时间融合注意模块(Temporal Fusion Attention Module, TFAM)及自适应可视图神经网络(Adaptive Visibility Graph Neural Network, AVGNet)的CR信号调制识别算法。针对现有AVGNet模型中存在的深层图神经网络(Graph Aleural Network, GNN)过拟合、梯度消失及特征融合方式简单等问题，通过对训练集进行数据增强处理并引入残差连接(Residual Connection, RC)及TFAM等，以缓解梯度消失并提升特征复用能力及训练稳定性和收敛速度。实验结果表明，改进的TFAM-AVGNet模型的平均识别准确率相较于现有AVGNet模型提高了1.4%以上。
增益噪声温度比(Gain to Noise Temperature Ratio, G/T)是衡量卫星地面接收系统性能的关键指标，其测量精度直接影响系统性能评估的有效性。为提高G/T值的测量精度，系统阐述了利用射电源进行G/T值测试的原理和方法，提出了射电源大气吸收修正因子、波束展宽修正因子、射电源流量随时间变化修正因子的精确计算模型，并给出了射电源通量密度曲线及修正因子曲线。在此基础上，利用月亮和仙后座A对中等口径天线进行G/T值测量，系统分析了G/T值的测量误差，验证了所提计算模型的有效性，为提高G/T值测量的精确性与可靠性提供了科学依据和实践指导。
随着空天地一体化网络与6G通信快速发展，低轨(Low Earth Orbit, LEO)卫星凭借全球覆盖与低时延优势，成为泛在通信的核心支撑。然而，星地链路常面临超低信噪比(Signal to Noise Ratio, SNR)、强多普勒频移与终端资源受限等挑战，微弱信号检测成为关键瓶颈。系统梳理了微弱信号检测技术发展脉络，对比分析了传统信号处理方法与人工智能(Artificial Intelligence, AI)驱动技术的原理与适用性：传统方法计算效率高、易于部署，但对高动态和非平稳噪声适应性不足；AI驱动技术实现特征自学习，提升复杂场景检测精度，但对标注数据集和算力需求较高。探讨了信号增强、数据集构建与特征提取、轻量化模型、实时优化算法设计及软硬件协同等关键技术，凝练出核心挑战，展望融合智能感知与边缘计算的未来检测范式，为LEO卫星通信系统的算法优化与工程部署提供参考。
抛物方程(Parabolic Equation, PE)算法在模拟大区域电波传播问题上具有明显优势，但大多是处理近地电波传播情况，不适用于高仰角星地链路路径损耗估算。为此，研究适配高仰角卫星信号传播仿真的双向PE(Two-Way PE,2WPE)算法，旨在结合复杂地形影响，实现大区域卫星信号电磁态势的高精度计算。依据卫星与地面站的相对位置，计算卫星信号到达近地面的入射角度，并利用自由空间路径损耗模型估算卫星近地面场强，进一步融合数字高程地图及地表影像分类算法，构建复杂地形环境电波传播模型。通过研究2WPE算法，准确计算卫星信号前向传播场以及经复杂地形反射的后向传播场，针对卫星高速移动特性，根据卫星信号入射角自适应划分计算平面及步进网格，实现固定区域卫星信号电磁态势的动态生成。为验证所提算法的正确性，将多角度多频段卫星信号传播的2WPE模拟结果与理论解进行对比，最大峰值误差少于1%,典型墙体电波传播场景的2WPE模拟结果与矩量法计算结果相比，均方根误差仅为7%。在此基础上，以真实地形构建星地链路电波传播场景，模拟得到了卫星信号电磁态势的动态分布，为卫星地面站选址与通信评估提供可靠支撑。
针对交通流量序列存在非平稳性及高动态相关性而导致流量预测难的问题，提出一种基于图卷积神经网络的新型交通流量预测模型。模型设计借助粒子群优化算法建立改进型变分模态分解(Improved Variational Mode Decomposition, IVMD)模块，将原始交通流量序列分解成一系列模态函数分量，缓解交通流量序列的非平稳性；利用3个门控融合网络(Gated Fusion Network, GFN)交叉融合历史交通流量、兴趣点(Point of Interest, POI)和时间戳数据，学习时空交互特征；利用多尺度分离混合模块(Multi-scale Decomposable Mixing, MDM)捕捉交通流量的短期波动和长期趋势，提取交通流的季节和趋势特征，通过构建分层时空卷积块(Hierarchical Spatial-Temporal Convolution Block, HST-Conv Block)解决交通节点间的动态相关性问题，捕获交通流量的动态时空特征；并通过加和模块将各个特征相加得到高级时空特征，提升模型的交通流量预测性能。实验结果表明，所提模型有较强的特征提取能力，能有效提高交通流量的预测准确率。
鉴于光学遥感影像下目标检测易出现定位差、检测准确率低等问题，提出基于YOLOX的轻量级改进型目标检测模型与算法。在结构网络设计中，基于细节偏向特征金字塔网络，提出能充分利用浅层细节信息、关注重要通道特征且能高效传递浅层网络的定位信息和边缘特征的同步特征融合网络；在检测头部分，通过结合高分辨率检测头对小目标检测的优势以及检测头对增强边界框回归任务的需要，将检测头改进为回归增强和特征增强检测头，解决因小目标语义信息缺失导致漏检的问题，提高边界框回归的推理能力。通过建立改进型SIoU损失函数关注边界框间距离和形状差异，提高目标定位精度。基于遥感数据集DIOR和RSOD的比较性实验结果表明，所提模型不仅在参数量相对较少的情形下回归损失较小，而且对不同尺寸下目标的检测精度高。
随着5G/6G向高速移动场景深化部署，高多普勒频移和导频稀疏化导致信道估计误差剧增，传统方法如最小二乘(Least Square, LS)、线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)等依赖静态统计特性难以适应时变特性，性能显著受限。为此，提出一种动态低秩张量分解联合偏LS(Dynamic Low-rank Tensor Decomposition combined with Partial LS,DLRTD-PLS)算法，通过递归更新的张量分解跟踪信道时变特性，结合频域平滑和多径稀疏双正则化约束抑制噪声干扰，并利用PLS优化潜变量投影以提升估计的鲁棒性。理论上，算法取得了更低的计算复杂度，避免了传统方法的求逆运算。仿真证明，在信噪比(Signal to Noise Ratio, SNR)为5 dB,多普勒频移1 kHz场景下，所提算法均方误差(Mean Square Error, MSE)较LS降低了75%,内存占用仅为Kalman滤波的0.65%,且在低导频密度的情况下相较于基追踪(Basis Pursuit, BP)算法可以取得更低的误差。该算法为空天地一体化网络中高动态信道实时估计提供了新思路，可以进一步应用于边缘轻量化部署场景，具有较高的工程应用价值。
和速率和最大化能量效率(Energy Efficiency, EE)是通信系统的2个重要指标，为此，提出了速率分割多址接入(Rate-Splitting Multiple Access, RSMA)隐蔽通信系统最大化和速率以及最大化EE的资源分配方法。对于最大化和速率的资源分配方法，构建RSMA隐蔽通信系统中最大化和速率的优化问题，从该优化问题中分离出子优化问题，并根据KKT (Karush-Kuhn-Tucker)定理求解子优化问题，提出了一种基于该优化问题的和迭代的次优解。对于最大化EE的资源分配方法，以用户的速率需求和窃听者的检测概率作为约束条件，以功率分配和RSMA公有消息的速率分配为优化变量，构建RSMA隐蔽通信系统中最大化EE的优化问题，采用Dinkelbach算法通过迭代的方法求解优化问题。仿真结果表明，随着总功率的增大，EE先增大然后趋于一个特定的常数值。
跳波束(Beam Hopping, BH)技术通过动态管理波束资源满足低轨(Low Earth Orbit, LEO)卫星覆盖区域内各用户的信息传输需求。然而，由于地面业务分布不均且LEO卫星高速运动，给波束资源管理的开销和复杂度带来较大挑战。所提算法面向LEO高动态环境下的BH资源管理问题，基于双重决斗深度Q网络(Dueling Double Deep Q-Network, D3QN)智能体获取用户分配策略，进而基于信道质量对已选用户进行功率分配，实现吞吐量与时延性能的高效动态优化。仿真结果表明，在多个场景下，所提算法对比蚁群优化(Ant Colony Optimization, ACO)、遗传算法(Genetic Algorithm, GA)、贪婪算法、随机算法具备显著的性能优势，吞吐量衡量指标至少提升了1.61%,时延与不稳定性衡量指标至少下降了3.00%。