电动垂直起降（eVTOL）飞行器的运用，作为一种未来城市交通的潜在解决方案，具有缓解城市交通拥堵和提高空中交通效率的巨大潜力。在其常用的导航系统中，通常采用组合导航和传感器余度技术来提高系统可靠性与安全性。然而，在当前导航系统的传感器余度技术中，冗余传感器只起到备份数据的作用，导致测量数据的信息利用率不高。为解决这一问题，文中以三余度的捷联惯性导航系统（SINS）和全球导航卫星系统（GNSS）的组合导航系统为研究对象，提出了一种基于二阶互差分和惯性传感器（IMU）冗余信息的陀螺仪噪声实时估计方法，推导了在二余度和三余度情况下陀螺仪噪声估计的递推式；在获得陀螺仪的噪声估计值后，采用自适应扩展卡尔曼滤波方法将SINS和GNSS的导航信息进行融合，以提高组合导航系统的准确性和鲁棒性。通过对SINS/GNSS组合导航系统进行仿真和真实跑车实验，结果表明：文中方法能够准确估计陀螺仪噪声；相较于传统融合方法，引入陀螺仪噪声实时估计后，组合导航系统的导航精度和抗干扰能力得到了提高，具有实际的工程意义。

现有视频压缩感知重建网络通常利用光流网络实现像素域运动估计与运动补偿。然而在重建过程中，光流网络的输入为质量较差的初始估计帧，导致获得的光流不准确，基于光流的像素域对齐与融合操作会造成噪声的累积，导致视频重建帧存在明显的人工效应，影响重建质量。基于特征域多通道信息对干扰噪声具有较强的鲁棒性，文中将特征域优化思想应用于视频压缩感知重构神经网络的设计中，提出了特征域优化启发及光流引导的多假设交叉注意力重构神经网络（FOFMCNet）。为避免光流中的噪声在图像变形时破坏图像结构的问题，文中在特征域设计了光流指导的多假设运动估计模块与基于交叉注意力的运动补偿模块，以实现特征域的帧间运动估计与运动补偿，从而更为充分地利用帧间相关性辅助非关键帧重构。为了在特征优化过程中加强有效信息的复用，提升网络学习能力并缓解梯度爆炸问题，文中设计了特征域优化启发U型网络（FOUNet），并作为FOFMCNet的子网络，通过多个FOUNet的级联，FOFMCNet在特征域实现非关键帧的优化与重建。实验结果表明，文中所提算法在经典低分辨率数据集（UCF-101和QCIF）和新的高分辨率数据集（REDS4）上的重构结果均优于现有的视频压缩感知算法。

传统双模超声技术相较于新兴技术更具实现可穿戴化的潜力。在进行脉冲多普勒血流速度估计时，双模超声需同时发射B模式脉冲进行成像定位，这要求B模式脉冲和多普勒脉冲共享采样时间。采用基于单频多普勒脉冲的稀疏间隔发射方式可以解决这一问题，但常见的稀疏发射排布方式（如嵌套发射、互质发射等）存在采样时间窗较长的缺点，特别是在血流速度变化明显的情况下存在时间分辨率不足的问题。此外，长时间窗包含了较多的血流速度分量，容易由于稀疏采样引起伪影，从而影响血流速度估计的准确性。因此，文中提出了一种基于多频脉冲采样的新型血流速度估计方法。首先，构建了多频脉冲采样的回波模型，并对该模型进行推导，证明了在频率衰减平稳假设下，该数学模型等价于单频多普勒脉冲稀疏发射方式，即多频脉冲采样可以通过较短的时间窗实现类似于基于单频脉冲采样模式的长时间窗的性能，从而提高血流速度谱的时间分辨率和估计精度；然后，提出了两种可用于多频脉冲采样模式的血流速度谱的构建方法，分别为复杂度较低的BMUSIC算法和伪影抑制效果较佳的VMUSIC算法。基于Field Ⅱ仿真数据和人体实测数据的实验结果表明：相较于单频多普勒脉冲稀疏发射方式，文中方法不仅可以采用较短的时间窗提升血流速度谱的时间分辨率，还可以获得连续、清晰、精度较高且伪影抑制效果较佳的血流速度估计结果；在人体实测数据实验中，由于实验条件所限，文中方法无法实现非整数倍频，未能充分展现VMUSIC算法的性能优势。

随着自动驾驶技术的发展，深度强化学习成为实现高效驾驶策略学习的重要手段。然而，实施自动驾驶面临着复杂多变的交通场景带来的挑战，并且现有的深度强化学习方法存在场景适应能力单一、收敛速度较慢的问题。针对此类问题，为提高自动驾驶车辆的场景适应能力和策略学习效率，文中提出了一种多任务辅助的驾驶策略学习方法。该方法首先基于深度残差网络构建了编码器-多任务解码器模块，将高维驾驶场景压缩为低维表征，并采用语义分割、深度估计和速度预测的多任务辅助学习，以提高低维表征的场景信息丰富程度；然后，以该低维表征作为状态输入，构建基于强化学习的决策网络，并设计多约束奖励函数来引导驾驶策略的学习；最后，在CARLA中进行仿真实验。结果表明：相较于DDPG、TD3等经典方法，文中方法通过多任务的辅助改善了训练进程，学习到更优的驾驶策略；在环岛、路口等多个典型城市驾驶场景中实现了更高的任务成功率和驾驶得分，具备优秀的决策能力和场景适应性。

零样本图像语义分割是零样本学习在视觉领域的重要任务之一，旨在分割训练中未见的新类别。目前基于像素级视觉特征生成的方法合成的视觉特征分布和真实的视觉特征分布存在不一致性的问题，合成的视觉特征难以准确反映类语义信息，导致合成的视觉特征缺乏鉴别性；现有的一些视觉特征生成方法为了得到语义特征所表达的区分性信息，需要消耗巨大的计算资源。为此，文中提出了一种基于语义-视觉一致性约束的零样本图像语义分割网络（SVCCNet）。该网络通过语义-视觉一致性约束模块对语义特征与视觉特征进行相互转换，以提高两者的关联度，减小真实视觉特征与合成视觉特征空间结构的差异性，从而缓解合成视觉特征与真实视觉特征分布不一致的问题。语义-视觉一致性约束模块通过两个相互约束的重建映射，实现了视觉特征与类别语义的对应关系，同时保持了较低的模型复杂度。在PASCAL-VOC及PASCAL-Context数据集上的实验结果表明，SVCCNet的像素准确率、平均准确率、平均交并比、调和交并比均优于比较的主流方法。

实际的车间调度问题往往具有更高的复杂度，调度算法需要考虑更多的约束条件，因此增加了问题的求解难度。为解决柔性作业车间批量调度场景中不同批次、不同工序之间可以无序加工的难题，进而突破现有车间机器使用率低、同类型机器负载不均衡的难点，文中构建了一种面向部分工序无序加工的柔性作业车间等量分批调度模型。首先，基于广泛使用的快速非支配排序遗传算法（NSGA-Ⅱ），提出了一种融合批次、批量和工序排序信息的两段编码结构，采用优先级规则方法获得初始种群，并以最小化完工时间、机器负载均衡率、机器总负荷为优化目标，采用贪心算法求解模型最优值，进而动态构建不同批次的加工路径；然后，对优化目标函数进行排序，再逐步加入非支配排序过程，以解决多个优化目标函数之间难以同时优化的问题，提高求解效率；最后，以某印刷包装企业的木制品加工车间为例，面向现场作业信息，采用仿真手段实现调度过程。结果表明，与优先级调度规则相比，文中所提方法的完工时间平均缩短了6.6%、机器负载均衡方差平均减小了10.7%，文中所提方法的机器负载均衡方差比遗传算法平均减小了53.3%，从而验证了文中方法的可行性，且该方法可以满足印刷包装企业柔性作业车间的高性能调度需求。

针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习，且面对样本数量受限时诊断效果不佳的问题，文中提出了一种基于格拉姆角差场（GADF）和生成对抗网络（GAN）的小样本滚动轴承故障诊断方法。首先，提出了基于GADF变换的数据增强方式，将少数1维振动信号通过GADF变换转换为2维GADF图像，并通过裁剪得到GADF子图，从而得到大量的图像样本；然后，将条件生成对抗网络（CGAN）与带有梯度惩罚的Wasserstein GAN（WGAN-GP）相结合，构建一种新的生成对抗网络，该网络通过条件辅助信息与梯度惩罚增强模型训练稳定性，并设计动态坐标注意力机制以增强模型的空间感知能力，从而生成高质量样本；最后，使用生成的样本对分类器进行训练，并在验证集上得到诊断结果。文中分别使用东南大学数据集和美国凯斯西储大学（CWRU）数据集进行了两组小样本环境下的轴承故障诊断实验。结果表明，与传统生成对抗网络以及先进的小样本故障诊断方法相比，文中所提方法的准确率和精确率等5项故障诊断指标均获得最好的结果，可以准确诊断出小样本条件下的轴承故障类型。

钢渣中含有的金属铁及其氧化物是一种高附加值的可再生资源，同时钢渣又可以作为矿物掺合料用在建材行业中。钢渣经不同冷却处理工艺，物相发生演变，从而影响钢渣中铁的回收及尾渣的胶凝活性。为了提高钢渣中铁资源的回收和尾渣的有效利用，文中针对热泼、辊压破碎-有压热闷和辊压破碎-热泼3种不同处理工艺下的钢渣，利用岩相分析、X射线衍射分析仪（XRD）、扫描电子显微镜-能量色散谱仪（SEM-EDS）、化学物相选择溶解等手段对不同处理工艺下钢渣的铁相分布及富集状态进行研究，并测定其磁选粉收得率和铁品位，以及尾渣的胶凝活性。结果表明：热泼工艺下钢渣中金属铁更易富集沉积，铁相主要以FeO均匀分布在RO相和铁酸盐相中，相中Fe占比较少，磁选粉收得率较高，但铁品位较差，分别为32.22%和33.43%；辊压破碎-有压热闷渣中未见明显金属铁粒，但含铁相中Fe占比较多，磁选粉收得率低，但铁品位较高，分别为28.37%和37.12%；辊压破碎-热泼渣中，铁相主要以Fe₂O₃形式存在于铁酸钙相和硅酸盐相，相中Fe占比较多，且含有磁性铁Fe₃O₄，磁选粉收得率高，铁品位也高，分别为37.60%和39.69%。辊压破碎-有压热闷渣中C₂S含量相对更多且发育较好，胶凝活性高，7 d及28 d活性指数分别为78%和92%；辊压破碎-热泼渣的7 d活性指数较低，为66%，但28 d活性指数增长到92%；热泼渣的胶凝活性居中。

城市生活垃圾炉渣（IBA）随着垃圾的组成、焚烧工艺和贮存条件等不同而产生较大的异质性，一批再生混凝土（砂浆）有效的配合比对另一批可能无效，导致再生混凝土（砂浆）性能产生较大的离散性，使其应用受到限制。为探究不同来源垃圾焚烧炉渣的异质性及再生砂浆的强度变异性，文中收集了不同焚烧厂以及不同月份来源的共计14批次IBA样品，测试了不同来源IBA试样的理化性质以及再生砂浆的工作性能和抗压、劈裂抗拉强度，统计分析了IBA再生砂浆的强度变异性水平。结果表明：IBA的压碎指标、空隙率、硫化物和氯化物含量均超出了规范关于再生细骨料的要求，不同来源的IBA存在明显的异质性；单一焚烧厂不同月份的IBA以50%取代率配制M20强度等级以下的再生水泥砂浆时，强度相较于天然骨料砂浆降低不显著，且强度变异性与普通再生骨料混凝土相当，标准差也低于规范建议值，但用于M20以上再生砂浆时强度降低较多（约23%~32%）；两座不同焚烧厂的IBA再生砂浆的抗压强度变异系数较高，建议不同焚烧厂来源的IBA再生砂浆不混合使用。

沥青混合料的抗弯拉性能影响沥青路面的服役质量和寿命，其内部受力决定了抗弯拉性能的优劣。为探究沥青混合料的内部受力特征，采用离散元方法对3点弯曲受力模式下沥青混合料各组分力链进行量化评价。首先，基于图像识别构建了粗集料模板库，实现沥青混合料试件高效离散元3维建模，并提出了3点弯曲仿真方式；然后，可视化表征沥青混合料内部力链分布，提取了各组分力链数据，从组成、强度和角度方面分析了力链特征。结果表明：在3点弯曲受力模式下，沥青混合料的内部力链场表现为拉压分区，粗集料嵌挤仅在受压区生效；SMA13沥青混合料的70.8%内部接触力由沥青砂浆提供，而AC13沥青混合料提供的则为83.2%，粗集料在弯拉受力状态下作用较小，沥青砂浆起主要抵抗外载作用；力链比重随强度的增大而减小，砂浆内部与砂浆-粗集料界面位置的强力链比重基本一致，而粗集料之间受力不均匀，砂浆使沥青混合料内部均匀受力效果明显；粗集料-砂浆界面水平方向的力链强度略高于竖直方向，粗集料力链强度随角度变化的波动起伏大。沥青砂浆在沥青混合料弯拉受力时承担主要荷载，可为沥青混合料的结构设计和性能评价提供参考。

表面缺陷检测是现代工业生产流程中的重要环节。现有的视觉缺陷检测方法一般通过对目标对象的单幅RGB或灰度图像进行分析，利用缺陷与背景之间的差异性特征实现检测，适用于目标与背景呈较大区别的对象，如金属表面的氧化、斑点缺陷检测。但单纯的RGB图像无法有效地表征主要由深度变化形成的凹坑、凸包等3维缺陷特征，最终导致漏检。为此，文中根据多方向光照成像及光度立体原理提取待测对象表面的3维几何形貌信息；接着，利用对比度金字塔融合算法对原始的多方向光照图像进行有效融合，得到增强的缺陷的2维RGB融合图像特征；然后，在多目标检测框架YOLOv5的基础上，以上述几何形貌及RGB融合图像为输入，构建一种基于双流特征融合的缺陷检测网络模型，该模型引入了空间通道注意力残差模块和门控循环单元特征融合模块，能在多个层级对不同模态特征进行有机融合，实现对表面缺陷的2维RGB及3维形貌信息的有效提取，达到同时应对2维和3维缺陷检测的目的；最后对若干典型工业产品表面缺陷进行检测实验。结果表明，文中方法在多个数据集上的平均检测准确率均超过90%，且能同时应对2维、3维缺陷的检测，检测性能优于目前的主流方法，能够适应不同工业产品表面的检测需求。

整数变换方法因其较快的计算速度被国际图像和视频编码标准广泛采纳。现有基于连续正交函数系的整数变换方法不仅难以获得原始变换的准确整数形式，而且无法克服在非连续信号表达时出现的吉布斯震荡现象，降低了重构图像质量。为此，提出基于非连续U系统的整数变换算法及其图像压缩方法。首先，采用分段积分法和施密特正交化法计算出U系统的二维正交变换矩阵，提取行向量的缩放因子得到整数矩阵；其次，建立整数U矩阵的可逆正交变换方法，使用整数矩阵将离散图像信息的能量集中到少量数据集，同时将缩放因子与量化步骤合并以减轻计算负担；然后，采用矩阵分解法将整数U矩阵分解为稀疏矩阵的乘积，从而实现图像变换的快速计算；最后，设计基于整数U变换模块和逆变换模块的图像压缩方法，用于减轻图像存储和传输压力。实验结果表明，新方法与其他相关算法相比可以降低图像可逆变换的截断误差；在图像和视频压缩实验中，在相同的压缩率下新方法得到的压缩图像质量更高，而且快速变换方法可以有效节省运算时间。

肺部4D-CT图像受到呼吸、心跳影响形变较大，肺内的运动尺度可能大于算法用于优化过程的感兴趣结构（血管、气道等），这可能导致配准算法仅对齐了血管、气道等明显特征。针对肺实质轮廓这种形变较大的结构，配准后的强度差异性较大的问题，提出以无监督端到端深度学习为基础的多尺度残差可变形图像配准框架，使用编码器-解码器结构形式的多尺度深度残差网络作为所提出配准框架中形变场生成模型，增强了特征表达能力、更高效的利用参数并有效提高网络的收敛能力。通过多分辨率自注意力融合模块提高了网络对多尺度信息的感知能力，并且设计了包含特征校正提取模块的跳跃连接来有选择的提取编码器输出的特征图并重新校准后供解码器学习对齐偏移。为了评估所提出配准框架的有效性，将本文方法在dir-lab公共数据集上的目标配准误差与传统方法、目前先进的无监督配准方法进行了比较。结果表明，所提出的配准框架在dir-lab公共数据集上目标配准误差可以达到1.44±1.24mm，优于传统方法和主流的无监督配准算法。此外，在控制折叠体素小于0.1%的情况下，估计密集变形向量场耗时小于2S，显示出了该算法在对时间敏感的肺部研究中的巨大潜力。

基于深度学习的交通基础设施裂缝检测模型依赖于大规模的数据进行训练。针对特定交通设施场景下多种形态的裂缝样本图像难以获取的问题，本文提出了一种基于Pix2pixHD的交通基础设施裂缝病害图像增广方法。首先，基于收集的少量裂缝图像数据利用Pix2pixHD模型建立裂缝病害的真实图像和标注标签之间的空间映射关系。其次，编辑标签域中的对象，可通过迁移其他数据集标签、人工编辑、图像形态学膨胀操作、随机叠加操作等方法生成表征多种形态的裂缝轮廓。最后，将编辑后的标签域通过Pix2pixHD模型转换回图像域，以实现交通基础设施裂缝数据集自适应增广。本文考虑了主要的交通基础设施材料和结构（沥青路面，隧道衬砌和混凝土材料结构），选取GAPS384、Tunnel200和DeepCrack数据集进行实验。结果表明，通过扩增数据集训练的U-Net模型检测精度更高，更易于跳出局部最优解。相比于DCGAN方法，本方法能够控制裂缝的形态且保证骨架的连续性，可以有针对地提高原有裂缝数据集的形态多样性，使得检测模型在特定交通基础设施场景下具有更好的泛化能力。