无人机（unmanned aerial vehicles,UAVs）凭借高机动性与快速部署能力，可在复杂军事对抗区域通过中继辅助方式显著扩展隐蔽通信的覆盖范围。然而，传统无人机中继辅助隐蔽通信受隐蔽性约束影响，导致长距离通信速率较低。为解决该问题，本文提出一种双无人机双辅助隐蔽通信的位置优化方法。该方法在利用一架无人机作为中继辅助设备进行隐蔽信号转发的同时，引入另一架无人机作为友好干扰辅助设备以提高检测方的不确定性。具体地，首先构建双无人机双辅助隐蔽通信模型，分析该模型下检测方的检测错误概率，并推导隐蔽性约束条件；然后采用块坐标下降（block coordinate descent,BCD）法，在隐蔽性约束和发射功率约束下联合优化干扰无人机和中继无人机的位置，最大限度地提高系统的隐蔽传输速率。仿真结果表明，相较于现有方法，所提方法能够显著提高隐蔽传输速率。

针对锗芯光纤内pn结器件的热处理制备和改性问题，本文选择光纤包层和纤芯交界区域这一特殊位置，以一种典型的p型锗材料中的受主元素铝作为掺杂元素，使用Materials studio软件建立掺铝（Al）的锗（Ge）/二氧化硅（SiO₂）界面模型，从不同温度出发模拟锗芯光纤热处理过程中该区域的动力学过程。选择热处理温度分别为500℃、600℃、660℃、700℃、727℃、827℃的6组样品，分析了不同温度下掺杂原子Al的均方根位移、扩散系数、掺Al的Ge/SiO₂结构晶胞参数变化。研究发现：当温度处于500℃、600℃、660℃时，Al原子在结构中的扩散程度逐渐减小；当温度处于700℃、727℃和827℃时，Al原子的扩散程度增大。该结果初步说明了由温度升高引起的掺杂原子位移会使晶体中原子位置发生变化，从而造成锗芯光纤内pn结性能的改变。此外，研究了掺Al的Ge/SiO₂结构的应力变化以及应力-应变关系，发现锗芯光纤内应力表现为拉应力，该拉应力随温度的变化趋势与结构晶胞参数变化相印证，且不同温度下的应力与应变成正比。在500℃、600℃、660℃、700℃、727℃温度下，温度越高，弹性模量越小；当温度达到827℃，弹性模量增大。本研究结果对半导体芯光纤内结型器件的热处理优化改性具有重要意义。

针对低轨卫星网络中链路频繁断裂、路径恢复延迟长以及传统单路径路由协议可靠性差等问题，本文构建了一种融合轨道动态性与链路状态感知的网络模型，提出了一种基于多路径自组织按需距离向量（multipath ad hoc on-demand distance vector,MAODV）的自适应路由优化方法。该算法基于按需触发的路由发现机制，在距离向量扩散过程中同时获取并维护多条可达路径，形成候选路径集合，再结合轨道变化引起的链路可用性波动，实时采集路径跳数、链路质量、节点负载和剩余能量等跨层参数，构建综合路径代价，以选择更加适应动态拓扑的主路径及备用路径。本文基于MATLAB与STK（Satellite Tool Kit）构建联合仿真环境，通过与其他协议的对比实验验证了所提算法在吞吐量、时延方面的优越性。仿真结果表明，在相同星座与业务条件下，所提方法在平均吞吐量方面相较自组织按需距离向量路由（ad hoc on-demand distance vector,AODV）协议、动态源路由（dynamic source routing,DSR）协议与优化链路状态路由（optimized link state routing,OLSR）协议显著提升；平均端到端时延比三者明显降低，从而验证了所提算法在动态低轨拓扑中的性能优势。

可逆信息隐藏（reversible data hiding,RDH）失真包括像素失真和结构失真。考虑到人类视觉系统（human visual system,HVS）对图像结构失真的高敏感性，本文提出使用结构相似性指数（structural similarity index measure,SSIM）作为RDH的评价指标。首先，通过分析峰值信噪比（peak signal-to-noise ratio,PSNR）与SSIM的理论增益关系，实现对两个指标的动态同步评估。随后，提出一种基于纹理区域优先选择的高SSIM的RDH方法。将载体图像划分为4个独立像素集进行图像预处理，精准找到纹理区域，进而按照背景复杂度由高到低的顺序嵌入信息。实验结果表明，优先在纹理区域中嵌入信息的策略减小了图像结构失真。在相同的嵌入率下，SSIM值及图像视觉质量均得到了提高。

影像与激光点云的配准是场景三维重建的关键技术，为爆炸事故溯源分析提供重要的科学支持，并在自动驾驶、灾害溯源等领域展现出广阔的应用前景。然而异源传感器采集的二、三维数据之间存在空间尺度和几何特征的差异，为影像与点云两种模态数据的精细配准带来了困难。鉴于此，本文提出一种基于线特征约束的多视角联合平差配准方法。首先从影像和点云数据中提取线特征并进行粗配准，然后在标准PnP（perspective-n-point）模型基础上引入线特征的方向一致性与正交一致性约束，以最小化多个视角下的误差函数为目标，将变换参数求解转化为非线性最小二乘问题进行迭代优化，最终实现影像与点云的准确配准。该过程无需进行二维-三维投影转换或尺度变换，从而可防止引入投影误差。对比实验结果表明，本文提出的具有线特征约束的多视角联合平差方法可显著提升影像和点云两种模态数据的配准精度。相较于单视角标准PnP模型，本文方法的配准误差降低了60%以上。

针对实时语义分割在物体大小差异显著的场景中，小物体分割错误和大物体分割结果出现空洞的问题，提出了一种基于复合三分支和深度特征编码的实时语义分割算法，由复合三分支模块（composite three-branch module,CTBM）、深度特征编码模块（deep feature encoding module,DFEM）和双分支多层感知机（dual-branch multi-layer perceptron,DBMLP）组成。CTBM通过双层多尺度特征提取和融合策略，从不同角度全面提取信息，使模型更好地感知特征间的全局关系，从而减少大物体分割结果中出现的空洞； DFEM通过编码方法提升模型对深层特征的表达能力，更好地感知小物体的语义信息，提升了小物体的分割精度； DBMLP同时利用全局和局部特征，有效地融合了多尺度语义信息，使分割结果边缘更平滑、轮廓更准确。在Cityscapes和ADE20K数据集上的评估结果显示，本文算法既满足了速度的实时需要，又分别以42.6 FPS和45.3 FPS实现了74.2%和40.4%的mIoU，明显优于其他实时语义分割算法。

传统深度学习模型在红外图像中由于缺乏判别性特征，难以有效区分相似行为，导致识别性能受限。为解决此问题，本文提出了一种基于中值引导多尺度特征融合的红外人体行为识别方法。首先，构建了一种融合中值增强注意力与多尺度特征对比的信息建模机制，该机制通过精细建模特征层级间的差异，引导网络聚焦于区分不同动作类别的关键特征区域，突破了传统方法依赖全局特征分类的局限。其次，设计了中值增强空间通道注意力模块，解决了传统孪生网络在红外行为图像中因深层特征缺乏显式位置信息而难以准确聚焦人体关键区域的问题。最后，提出了多尺度特征融合模块，有效融合多尺度特征，提升红外图像中行为细节与结构信息的表达能力，增强对微小动作变化的捕捉能力，降低因信息缺失和背景干扰导致的误判率。实验结果表明，本文所提方法的识别精度在红外拼接、PUB、VAIS等多个数据集中均优于现有主流方法，充分体现了该方法的有效性与先进性。

区块链在物联网场景中的应用不断普及，但其难以满足物联网设备对交易即时处理的需求，其吞吐量偏低的问题也日益凸显。现有方案多通过区块链分片、区块流水线、并发控制等技术提升吞吐量，但这类方案在部分冲突场景中的提升效果并不显著。本文通过梳理热点智能合约交易的特征及各类并发控制技术的适用场景，依托区块链分片技术构建高冲突率的热点智能合约分片与低冲突率的普通合约分片，为两类分片适配对应的并发控制技术，充分发挥各类技术的优势，最终实现分片间与交易间的高效多维并行。同时，本文还提出了可信传感器性能评估公式，依据传感器不同的性能为其分配适配的数据传输任务，以此提升整体数据传输效率。实验结果表明，本文所提方案的吞吐量提升效果显著，相较于其他单维并行方案，实现了更高效的性能提升。

聚焦大矩阵乘法的精确算法、近似算法在速度、精度和效率方面的优势折衷问题，提出一种基于正则化、滤波、重采样技术的面向稠密矩阵乘法快速算法。基于采样定理，建立矩阵与其对应的模拟函数之间的正则化关系，进而引入滤波、重采样环节，实现精确算法和近似算法的折衷机制。为追求较高的综合效率，研究了该算法的适用范围和条件，尤其是算法精度与矩阵元素数据统计特性的关系。采用独立同分布随机数发生器等方法生成的矩阵进行了数据实验，表明算法能够实现折衷目标。

为了提升多肉叶片繁育潜力的图像评分精度与筛选一致性，提出一种基于“面-廓-色”多通道特征融合的繁育评分算法。该算法首先利用图像分割模型，从原图中自动检测并定位具备繁育潜力的多肉叶片区域，完成初步筛选。随后提取叶片的面积、轮廓、色泽与高层语义特征，构建统一的多维融合向量，并输入评分模型生成繁育得分。面积特征体现发育饱满度，轮廓特征反映形态规整性，色泽特征衡量健康状态；而视觉预训练模型提取的语义特征则补充了传统指标难以捕捉的深层生长模式与语义关联，进一步增强模型判别力与泛化性。实验结果表明，该方法显著提升了叶片筛选的效率与准确率。相比传统方法，在多个多肉数据集上，皮尔逊相关系数与曲线下面积平均提高0.093 8和0.065 3，平均平方对数误差降低约0.012 1，展现出更强的精度与鲁棒性，有效支持多肉植物的智能化选育。

流程生产工艺数据易受到高噪声干扰，且具有复杂的非线性动态特性和多尺度时序依赖性，使质量的精准预测面临巨大挑战。因此，本文提出了一种融合基于局部加权回归（locally estimated scatterplot smoothing,LOESS）季节趋势分解(seasonal and trend decomposition using LOESS,STL)与冠豪猪优化（crested porcupine optimizer,CPO）算法的并行TimesNet-Informer深度学习预测模型。首先，采用STL方法将原始时间序列分解为趋势项、季节项及残差项，有效提取多尺度时序特征；其次，构建并行结构，融合TimesNet对周期性和局部特征的捕捉能力与Informer在长序列依赖特征提取上的优势，实现复杂工艺过程质量的精准拟合与预测；进一步引入CPO算法对分解参数及模型超参数进行自动优化。以某流程工业生产线的真实数据为例进行实验验证，结果表明，该模型在多项评价指标上均优于其他对比方法，预测精度达到0.979 8，为流程生产工艺质量的精准预测提供了有效的解决方案。