针对传统频率估计算法中无迭代算法估计精度低、易受噪声干扰，而有迭代算法计算复杂度高、实时性差的问题，提出一种实时高精度的频率估计算法。首先建立实正弦信号模型，利用信号正负频率的频谱叠加消除由负频率频谱泄露引起的误差，得到初步频率估计值；接着引入离散时间傅里叶变换进行一次频移处理增强算法的抗噪声性能，同时提高估计精度。仿真结果表明，所提算法相对现有高精度频率估计算法能够在计算复杂度减小17.4%，运算时间缩短33.4%的基础上获得接近克拉美罗下界的估计性能，具有较好的工程应用前景。

针对水声目标识别领域广泛存在的数据稀缺性问题，提出一种基于混合扩散模型的数据增扩方法。为区别于传统频谱变换或生成对抗网络方法，将扩散模型引入水声数据增扩领域，通过构建合成样本集有效提升了现有深度学习模型的泛化能力；提出一种基于扩散模型的混合生成策略，通过预先混合类别标签与数据，扩展数据生成空间，从而进一步降低过拟合风险。在两个公开水声数据集上的实验表明，基于混合扩散模型的数据增扩方法能够合成时频结构逼真的水声数据，其中视觉 Transformer 模型在ShipsEar数据集上准确率最高提升14.6%，有效提高了多种识别模型的分类性能。

针对传统时延估计方法在低信噪比和小样本条件下性能受限，难以满足多径环境下的高精度估计需求, 提出一种基于循环匹配追踪的非圆信号多径时延估计算法。首先，基于辐射源信号的非圆特性，通过联合接收数据及其共轭构造扩展数据模型。然后，利用信号时延的稀疏特性构建离散化时间网格并设计非圆扩展时域字典集。在此基础上，从正交匹配追踪算法支撑集补集的角度入手，通过原子循环删增动态优化支撑集重构稀疏系数，从而得到多径时延的精确估计。此外，还推导了基于非圆信号的多径时延估计克拉美罗界，从而从理论上证明了利用非圆信息能进一步提升时延估计精度。仿真结果表明，相较于现有时延估计算法，所提算法在低信噪比、小样本条件下估计误差分别可降低27%和24%以上，验证了改进算法的优越性。

无监督多视图立体（multi-view stereo, MVS）重建方法无法有效解决背景区域对训练损失造成的干扰，所依赖的光度一致性以及深度平滑性损失在复杂场景中存在失效的情况，导致损失值不可靠的问题。为解决这些问题引入了单目深度估计值遮蔽背景区域，在数据增强手段的基础上，引入由易至难的渐进式学习策略，并利用单目深度值改进了深度平滑损失函数。在三维重建数据集上进行了实验，取得了超越现有无监督MVS方法的实验结果。实验证明了所提出的改进措施能有效提升训练过程的鲁棒性，并有效提升重建质量。

针对电场辐射发射实验仿真中双锥测量天线仿真精度低的问题，提出一种基于多目标遗传算法的双锥测量天线巴伦等效电路模型。根据巴伦内部结构特征建立相应的等效电路，并利用双端口网络理论建立两天线模型用于仿真天线系数。将实测天线系数作为目标函数，利用多目标遗传算法对等效电路参数进行迭代优化。结果表明，双锥测量天线的仿真与实测之间平均误差仅为1.1 dB。若采用50 Ω集总端口，平均误差为42.3 dB。所提方法对提升双锥测量天线仿真精度和评价其预测可信性方面具有重要意义，可为实现电磁兼容实验数字化提供理论基础和数据支撑。

随着无人机遥感技术的广泛应用，小目标检测技术受到越来越多的关注。然而，由于图像分辨率受限、噪声干扰以及复杂背景等问题，现有检测方法的精度和鲁棒性依然面临挑战。针对以上问题，提出基于扩散结构的超分重建（super-resolution reconstruction with diffusion structure，SRRDS)的小目标检测方法。首先，针对图像中常见的噪声干扰等问题，提出一种扩散模型驱动退化数据生成模块，通过模拟实际成像系统的物理退化过程，结合双阶段物理约束退化引擎与可控噪声增强模块，生成真实物理退化特征的低质图像，提升训练数据与实际场景的匹配性。其次，针对低分辨率图像纹理细节缺失和边缘信息退化问题，提出多尺度残差生成器模块。通过引入多尺度分支结构、像素重组操作和残差生成块，有效增强输入图像的层次信息表征能力。同时，利用生成对抗网络优化图像质量，实现高精度的超分辨率重建。在AI-TOD数据集和VisDrone-2019数据集中平均精度（average precision，AP）达到了14.1%和25.7%，AP50分别达到了32.9%和41.4%。实验结果表明，与常规检测模型及数据增强方法对比，扩散噪声的引入能够模拟真实场景退化现象，且提高图像分辨率，减少小尺度目标的漏检和虚警现象。

针对低信噪比环境下雷达调制样式识别性能受限的挑战，提出基于多任务协同优化的降噪−分类学习方法。所提方法构建降噪子网络与分类子网络的联合框架，实现时频特征降噪与信号分类的深度耦合。降噪子网络采用深度自编码器学习信号时频域本质特征，通过混合损失抑制噪声干扰。分类子网络基于注意力残差网络实现高鲁棒决策。协同优化机制利用不确定性加权联合损失函数，促进降噪特征与识别特征的自适应交互平衡。仿真实验结果表明，所提方法有效提高了12类雷达调制样式在−20 dB至−8 dB的低信噪比下的识别准确率，验证了多任务协同优化策略的有效性。

针对大孔径稀疏阵列中差分共阵矩阵维度高而引发的计算效率低的问题，提出一种降维高自由度欠定高效波达角估计方法。首先，利用前后向平均方法构造差分共阵实值全对称矩阵，通过理论推导证明了该实值矩阵特征空间与两个降维矩阵特征空间的等效性。在此基础上，提出基于差分共阵的降维半域子空间分解算法，利用降维矩阵特征值分解实现子空间重构，并构造半域谱搜索函数实现欠定超分辨角度估计。理论分析表明，该方法在特征值分解和谱峰搜索过程中大幅降低了计算复杂度。仿真实验表明，所提方法不仅具有与经典空间平滑多重信号分类算法相近的估计精度，还显著提高了计算效率，有效解决了高维矩阵计算复杂度高的问题，为大规模稀疏阵列高效波达角估计提供了可行方案。

复杂电磁环境中存在着大量的参数复杂多变的有源干扰，基于原始图卷积网络（graph convolutional networks, GCN）的干扰识别方法适应性较差，且无权图无法反映相邻节点聚合特征的权重。针对以上问题，提出一种基于雷达信号高阶特征的多尺度加权图卷积网络的雷达有源干扰识别方法。通过提取雷达回波信号时域、频域和时频域的特征构成高阶特征向量，采用图结构数据定义识别单元，用于表示识别单元的时间和空间信息，最后构建多尺度图卷积网络模型进行识别。试验结果表明，当回波信号的干信比大于3 dB时，所提方法对各类干扰的识别率可达90%以上，在干扰参数复杂多变场景下可保持稳健的识别性能。

为实现对目标空间结构的高精度重构，提出一种基于多视角逆合成孔径雷达图像的雷达目标三维重建方法。首先，对目标进行回波建模。然后，采用方向性的高速特征检测与旋转不变特征描述算法对预处理后的目标逆合成孔径雷达图像进行特征点匹配，并利用奇异值分解进行目标散射点三维重建；结合几何一致性验证，剔除误匹配点，减小重建误差。最后，通过多视角图像的多轮重建修正，提升三维重建的准确度，得到较为完整、清晰的目标三维像。仿真验证了该方法的有效性。

针对远距离复杂环境下空间目标传感器探测数据可用信息较少导致目标识别困难的问题，提出一种基于多核保持分析（multi-kernel preserving analysis，MKPA）与坐标关联压缩−激励（coordinate correlation squeeze-and-excitation，CCSE）注意力机制的多源特征融合识别方法。对雷达和红外异构传感器数据预处理后，首先采用MKPA算法实现多源数据融合，有效解决融合过程中不同类目标区分度降低的问题；然后建立CCSE模型对融合数据进行特征提取，解决单源数据特征不足的问题；最后用双向门控循环单元模型进行目标识别。实验结果显示，在低信噪比下，所提方法可以有效提高识别准确率，具有较好的鲁棒性。

针对强杂波背景下海面运动目标难以检测的问题，提出一种基于相关模态重构的特征检测方法。首先，通过深度模型对目标时频谱进行智能分割，构建理想目标参考模板信号。进而，在变分模态分解框架下，设计多维相关性指标评分策略，评估各模态信号与模板信号之间的匹配程度，从而精确筛选目标模态。在完成模态重构之后，进一步对重构信号进行多域特征提取与筛选，并进行非线性特征融合。实验结果表明，在每种特征检测方法中，重构信号的检测概率均显著高于原始信号。融合特征检测方法在单特征检测基础上进一步提升了检测概率。

针对逆合成孔径雷达外场试验具有高成本和高敏感性，且实测回波数据获取十分有限，给空间目标电磁散射特性与识别研究造成困难的问题，提出一种空间目标监视场景下多极化模式的动态回波建模与仿真方法。首先，构建空间目标监视模型，结合观测站可视条件解算观测窗口。然后，根据运动模型解算目标相对雷达的姿态，通过在电磁仿真数据库中插值生成观测窗口内空间目标的线极化、圆极化动态仿真回波。最后，以冰、云与陆地高程卫星为例，给出了包括线极化、圆极化等多极化方式的仿真回波成像结果，验证方法的有效性。该方法可以为空间目标成像识别、特征提取等领域研究提供数据支撑。

针对现有研究大多独立解决信号检测或识别问题的现状，提出一种基于改进YOLO（you only look once）v5网络的低截获概率雷达信号检测识别一体化方法，有效解决检测与识别分离导致的信息丢失和效率低下等问题。以YOLOv5为框架，通过引入全局上下文网络、双向特征金字塔结构及Ghost模块，在保证计算效率的同时提升网络准确度。实验结果表明，在参数量压缩19%的同时，当信噪比大于−4 dB时检测识别精度能达到99%以上，证明所提算法能够实现低截获概率雷达信号在低信噪比下的高精度一体化检测和识别。

为解决高速机动目标检测过程中所产生的距离走动与多普勒频率走动问题，基于Keystone变换、Viterbi算法与三阶相位函数，提出一种无参数搜索过程的快速积累算法。首先利用Keystone变换与修正最小熵算法完成一阶距离徙动校正，然后利用Viterbi算法联合三阶相位函数完成高阶运动分量的参数估计，接着通过De-chirp处理完成相位补偿，最后将目标能量在距离−多普勒域完成相参积累。对算法的计算复杂度、检测门限的选取准则给出了定量分析。仿真实验与对比分析表明，所提算法能有效完成不同复杂场景下的目标检测，具备较高的计算效率与较好的噪声鲁棒性。

为提高任务-资源匹配的准确性与时效性，提出自适应注意力双向长短期记忆（adaptive attention bidirectional long short-term memory, DA-BiLSTM）网络算法。算法的输入为待分配在轨目标和资源信息，输出为最佳匹配方案。采用注意力机制确定隐向量，对输入信息进行筛选和集中；通过双向长短期记忆网络实现对多维特征之间关系捕捉，确定网络输出；最后应用贝叶斯算法进行超参数优化。仿真结果表明，与当前流行的卷积神经网络（conventional neural network, CNN）、CNN-LSTM算法进行对比，所提方法在分类准确率、灵敏度、特异性、和F1分数平均提高了22.14%、22.97%、26.85%和16.7%。消融实验验证了网络策略的有效性。

为系统性提升装备体系可靠性，解决体系可靠性需求论证、设计迭代等环节的关键问题，聚焦装备体系总体可靠性设计分析过程，建立体系工程驱动的装备体系可靠性设计流程与技术框架。首先，分析装备体系可靠性工程研究现状和通用特性，给出装备体系可靠性工程概念。然后，以体系工程活动（如需求分析、架构设计、集成验证）为主轴，给出涵盖全生命周期的装备体系可靠性技术框架，解构装备体系可靠性专业领域方向与应用技术谱系。最后，为满足装备体系与智能弹药集群等可靠性设计论证和评价需求，建立基于体系工程过程模型的装备体系总体可靠性设计分析流程框架，可为装备体系可靠性的顶层设计决策及具体工程实现等工作提供技术支撑。

为实现有限经费条件下联合作战武器装备系统合理投资决策，提出一种基于整数线性规划方法进行求解的装备研发规划模型，并通过海上封控作战场景下27个候选装备研制项目集对该模型的应用效果进行案例研究。结果表明，不同作战能力随累计研发费用增长以非线性形式提升，装备能力覆盖率、场景适用度、性能潜力等因素对装备研制早期投资决策具有重要影响。此外，高效费比装备在研制规划中被优先选择，以实现最高的资金使用效率。作为装备规划阶段量化评估方法，所提模型可基于作战能力需求用于武器系统研发选择辅助决策。

传统参数评估法在复杂系统可靠性评估中忽略了单元之间的组成关系而引起共因失效。考虑复杂系统在工程中出现的共因失效和多态模型的问题，提出一种适用的方法来模拟和评估交互式单元组成的复杂系统的可靠性。首先，通过冗余系统建模模拟出内部单元的共因失效情况，然后，提出校正矢量影响因素法来对初始影响向量进行扩展，完成该算法对交互式多单元复杂系统的可靠性评估。最后，利用贝叶斯方法来验证该方法的正确性。结果表明，该方法和传统的评估方法相比，更符合工程实际，且有更高的评估精度，能满足实际工程中出现的共因失效下多单元交互连接复杂系统可靠性评估的需求。

针对滚动轴承故障诊断易受噪声干扰，同时变分模态分解（variationalmode decomposition, VMD）参数寻优易陷入局部最优且固有模态函数(intrinsic mode function, IMF)筛选依赖经验阈值，制约了故障特征的准确提取。为此，提出一种改进麻雀搜索算法（sparrowsearch algorithm, SSA）-VMD与自相关自适应滤波融合的滚动轴承故障诊断方法构建融合最小包络熵、峭度和包络谱峰值的适应度函数，并从种群初始化、发现者更新和追随者更新三个环节改进SSA，实现VMD模态数和惩罚因子的自适应寻优。随后，利用归一化自相关权重对各IMF进行自适应滤波、重构及包络谱分析，避免人工设置IMF筛选阈值。在3组公开轴承故障数据集上的实验表明，改进SSA相较于对应对比算法的收敛速度分别提高80%、20%和57%，同时获得更低的适应度值，所提方法的平均故障诊断准确率达到99.074%以上。结果表明，该方法能够降低VMD参数寻优和IMF筛选对人工经验的依赖，提高噪声条件下滚动轴承故障特征提取与诊断的准确性。

针对装备体系早期评估中架构视图难以直接驱动连续仿真、动态能力评估效率较低等问题，提出一种基于美国国防部体系结构框架、对象过程方法与系统动力学的混合建模方法。首先，以对象过程方法构建统一的对象—过程模型，明确架构要素到系统动力学库存—流率结构的映射，使架构视图可直接驱动连续仿真。然后，结合追踪标识、自动映射与三级参数池，确保模型转换一致和求解稳健性。最后，以情报监视侦察—火力打击任务开展对比仿真验证。结果表明，所提方法可为装备体系早期设计与优化决策提供量化支撑。

针对复杂动态对抗环境下多智能体协同作战行动决策一致性差的问题，提出一种基于深度强化学习的多智能体集中式作战行动指挥决策方法。首先，为更好地控制多智能体产生作战意图协调一致的作战行动，对多智能体协同作战过程进行了马尔可夫决策过程建模和形式化描述，构建了区分标量、实体信息的状态空间和离散复合的动作空间，提出基于任务目标分解和贡献度分配的奖励重塑方法，设计与之相适配的基于多特征信息编码、非完全信息推理和多头复合动作解码的集中式作战决策智能体策略网络模型；其次，为提高计算资源的利用率和样本效率以及确保网络训练过程的稳定性，提出基于行为者−学习者的分布式采样训练框架和使用带有策略熵的SARD-PPO算法对模型进行训练；最后，在高保真度的仿真推演平台上进行仿真实验，验证了技术路径的可行性和有效性，通过调用决策智能体模型进行前向推演，实现了对抗过程的复盘分析和总结。

针对多无人机协同路径规划复杂程度高且传统神经网络模型在任务场景中全局规划能力差等问题，提出了一种改进型卷积神经网络（convolutional neural network，CNN）-长短期记忆-注意力（long short-term memory-Attention，LSTM-Attention）模型。首先，将改进霜冰优化算法与传统CNN模型、LSTM模型与Attention机制整合，动态分配CNN和LSTM的权重以及模型超参数，以此增强局部与全局之间的平衡，防止出现局部最优，提高模型探索性和精度。然后，选取无人机路径规划进行实验，对无人机协同搜索进行仿真推演。最后，建立无人机路径规划的指标评价体系。实验结果表明，相较于反向传播神经网络、径向基函数神经网络、CNN、LSTM、CNN-LSTM 5种神经网络模型，所提模型在预测精度方面提升12.7%~23.5%，收敛速度加快26.7%，避障成功率提高18.9%。所提模型能够有效地平衡全局规划能力与局部搜索能力。

即时威慑是危机爆发后相关敌对实体之间的互动行为，具有内在不确定性、有限理性和不完全信息特点，使用基于工具理性和共识假设的传统博弈论方法难以准确刻画。立足即时威慑中综合运用理性、非理性、不确定性因素，塑造对手益损对比与失控风险的预期，迫使其首先妥协的序贯决策特点，构建了基于部分可观察马尔可夫决策过程的即时威慑一般模型。为进一步刻画决策过程中的非理性因素，引入前景理论对威慑方的目标函数进行建模，设计了融合前景价值的决策算法，并通过算例仿真验证了模型的有效性，可为危机状态下即时威慑决策及风险管控提供新的方法参考。

在现代战争中，快速、精确的场景决策和有效的资源调度是提高作战效率的关键，因此如何构建高效的逻辑链成为核心问题之一。基于逻辑链构建任务提出一种基于深度强化学习的多智能体协同算法，将场景环境建模成多智能体系统，涵盖侦察、决策、打击和后勤等环节，系统内智能体分别负责不同的任务分工，并基于 Actor-Critic 训练。通过协同学习机制，各智能体能够动态调整策略，实现全局目标的优化。实验结果表明，与对比算法相比，所提出方法在任务成功率、资源利用效率及决策稳定性等方面均取得更优表现，其中任务成功率平均提升约 4%~8%，能够有效提升复杂场景环境下逻辑链构建与协同决策的整体效率。

任务级计算机生成兵力对手模型在军事仿真中扮演着重要角色。针对模拟对象具有动态性、非线性、不可预测性等复杂特性，以及真值数据具有时效性、难以直接采集等问题，借鉴综合集成研讨厅思想构建评估流程框架，将领域专家、对手情报信息与数学模型结合起来，从指挥协同关系、指挥协同交互、作战活动、作战规则、作战能力5个维度构建对手模型可信度评估指标体系及指标计算模型，提出基于相似性原理的对手模型可信度评估方法。以评估对手模型区域防空作战行动可信度为例验证方法可行性。研究成果可指导对手模型构建以及模型修正，确保模型按照预想的思路运行。

针对再入飞行器四维可达区的在线预测问题，提出一种基于改进混沌粒子群优化（chaos particle swarm optimization, CPSO）算法和反向传播神经网络（back propagation neural network, BPNN）的智能预测模型。首先，基于飞行器动力学特性，构建融合初始飞行状态、有限控制约束及复杂空域限制的时间-纵程-横程-高度四维可达域数学表征模型。其次，提出基于几何特征解析的高维可达域表征方法，采用非对称三维中心曲面与二维边界曲线联合表征策略实现特征参数提取。最后，引入改进CPSO对BPNN进行模型参数协同优化，建立四维可达区的智能预测模型。仿真表明，所提方法对可达区覆盖率超过95%，单次预测耗时不超过100 ms，较传统数值仿真方法提升3个数量级，可以实现对再入飞行器四维可达区的高精度实时预测。

在高超声速滑翔飞行器（hypersonic gliding vehicle，HGV）跟踪问题中，动力学模型起到了关键作用。然而，由于再入过程中目标的结构时变以及流场等不确定因素的作用，导致目标的运动模式时变且未知。基于此，提出了以扩维半弹道再入飞行器（semi-ballistic reentry vehicle，SBRV）模型估计目标的状态和气动参数。基于目标机动过程中升阻比有界以及气动参数耦合的特性，采用SBRV模型估计的爬阻比、转阻比具有较快的收敛速度，且阻力参数的估计误差也保持总体最小。进一步分析了该模型与两种典型动力学模型之间的转换关系。通过对HGV典型机动场景的仿真跟踪表明，基于SBRV模型设计的估计器跟踪误差更小，且对目标机动检测的延时更小。

针对高超声速拦截弹末端制导存在的攻击角、视场角等多约束难题，提出深度强化学习驱动的多约束分数阶滑模制导律。改进双延迟深度确定性策略梯度算法，引入多头注意力机制作为特征提取层，实现环境状态多尺度特征融合，利用长短期记忆网络增强时序特征理解，通过自适应探索与回合制训练优化框架提升算法收敛性与稳定性。基于弹目三维相对运动学模型，构建含攻击角约束的分数阶滑模基础制导律框架，通过改进强化学习算法动态优化制导参数，解决多约束下精确制导问题。仿真结果表明，所提制导律在满足多种角度约束条件下可显著提升制导速度与精度，验证了所提方法的正确性与有效性。

针对多禁飞区约束下的再入滑翔飞行器意图推断误判率高和所需时间较长的问题，提出一种基于自适应代价函数的意图推断方法。首先，分析基于常规特征参数构建的代价函数在多个禁飞区存在时的意图推断效果，并对其置信度进行评价，筛选出推断效果最好的意图代价函数。其次，在贝叶斯递推中引入鲁棒先验混合因子，根据飞行器的轨迹特性动态调节均匀分布与最低概率，有效防止了概率坍缩。最后，深度剖析飞行器、禁飞区和意图要地之间的相对态势关系，自适应融合角度维度和距离维度的意图代价函数，使得融合后的代价函数发挥更好的意图推断优势。仿真结果表明，与现有方法相比，本文所提方法对再入滑翔飞行器意图推断速度更快，能够获得更为可靠的意图推断结果。

针对巡飞弹在复杂三维环境中航迹规划的避障与成本问题，提出基于多维协同引导的改进红鸢优化算法。通过使用拉丁超立方采样、分层引导策略和非线性自适应参数调节，结合莱维飞行扰动与强制精英保留策略，有效提升了算法的全局搜索能力和局部开发能力。经优化测试函数组验证，所提算法优化性能显著优于传统红鸢算法及多种先进算法。基于巡飞弹的航迹规划问题，设计了多因素约束的飞行成本函数，构建了对应的巡飞弹航迹规划模型。并在构建的仿真威胁环境中设置三维地形数据，航迹规划仿真实验结果表明，基于改进红鸢优化算法的规划方案能够快速收敛于最优航迹，且较传统红鸢算法飞行成本函数适应度下降明显。验证了所提算法应用于巡飞弹航迹规划的可行性和工程实用性。

针对非完整多智能体的复杂编队队形构建问题，提出一种编队控制方法。首先，结合时变调节函数设计一种具有预设时间上限的扰动观测器，用于估计时变输入扰动。随后，构建统一适用于开曲线与闭曲线的参数化表示形式，并设计一种基于曲线系数反馈的主动抗扰编队控制器，能够在有向通信拓扑下实现智能体对目标曲线的编队跟踪，同时有效抑制时变输入扰动。通过Lyapunov稳定性分析，证明所提闭环系统的渐近稳定性。最后，仿真结果表明，所提方法在预设时间内可有效抑制时变扰动并实现复杂编队构建，验证了所提方法的有效性。

针对复杂战场环境下无人机轨迹规划的高动态、强实时与多约束难题，为克服传统方法因初始解敏感、数值稳定性差难以满足需求的局限，提出A^*算法与高斯伪谱法（Gaussian pseudospectral method，GPM）协同的轨迹规划框架。首先，通过设计多目标加权联合优化函数，经内点优化器求解实现均衡优化；然后，利用A^*算法快速生成最优初始路径并插值平滑，为GPM提供高质量初始解，结合 Legendre-Gauss节点与约束耦合策略规避Runge现象；最后，首次系统分析随机游走、定向拦截、周期性巡逻3种典型动态障碍物运动模式对规划性能的影响，填补现有混合算法忽略动态环境特性的研究空白。仿真表明，该算法较传统GPM路径缩短 2.69%，迭代与函数评估次数下降 49%、49.1%，在动态场景中展现更优经济性、实时性与避障成功率，为资源受限战场提供高效方案。

针对目前自组网路由协议的路径选择策略在任务分级与网络状态协同的智能化优化方面存在明显不足，难以满足复杂应用场景下因节点移动性强、任务需求多元而日益增长的高可靠、低时延数据传输需求，提出一种基于任务驱动的自组网自适应路由协议，旨在解决自组网中由于动态环境变化和任务需求多样性所带来的通信挑战。通过对不同任务规划多个拓扑子网进行数据传输，同时引入动态权重调整机制，将 Transformer 流量预测算法嵌入动态路由调整模块，针对紧急、常规、低优先级三类任务的路由算法提供流量预判与路径优化支持，优化复杂网络场景下的通信性能，实现路由策略的适应性调整，从而确保数据传输过程实时可靠。实验结果显示，基于任务驱动的自适应路由协议在系统整体性能没有明显损失的前提下，高优先级任务的传输效率平均提高了32.9%。相比传统的几种基线路由协议，基于任务驱动的自适应路由协议在面对复杂的网络场景时也有更优异的期望表现，能够有效满足不同类型任务的通信需求。

通信辐射源个体识别（specific emitter identification，SEI）通过提取反映辐射源个体差异的射频指纹特征，实现对不同辐射源个体的识别。近年来，基于深度学习的通信SEI受到日益广泛的关注。然而，在非合作场景下，基于深度学习的通信SEI面临数据集获取难度大、标注成本高的挑战。因此，基于小样本学习的SEI已成为研究的热点。在讨论了射频指纹产生机理和基于深度学习的SEI系统模型的基础上，进一步分类评述了小样本通信SEI方法，并讨论其轻量化部署。最后，总结了未来通信SEI的研究趋势，期望能为相关领域的发展提供帮助。

水声信道严重的噪声干扰和窄带宽特性限制了水下监测数据的传输，制约了水下监测的效率和智能化水平。基于此，提出一种基于语义传输的智能水下监测机制，设计了基于互信息变分近似的损失函数，整合图像重建失真与监测任务相关语义失真；构建多尺度特征融合编码器，融合局部与全局语义特征，并通过语义压缩模块保留关键语义特征以提升监测任务性能。实验结果表明，所提方法在保持一定图像重建质量的同时，在珊瑚礁分类与水下生物目标检测任务中性能更优，满足了水下监测的可视化需求，提高了水下监测的性能和智能化水平。

在Wi-Fi1至Wi-Fi7的技术框架下，设备接入信道过程中，在主信道繁忙时，非主信道即使处于空闲状态也无法被利用。针对此问题，Wi-Fi8提出了非主信道接入( non-primary channel access ，NPCA)方法，吞吐量有一定提升，但在低带宽设备数较多时信道竞争加剧且接入后频带利用率也较低，限制了吞吐量的进一步提升。基于此，提出一种基于分组方式的NPCA方法，该方法在设备端根据设备的带宽对设备进行分组，同时在接入点一侧对空闲的非主信道根据设备端的不同带宽类型设备的数量比例进行对应的带宽动态分组，不同分组内的设备独立竞争。通过仿真验证，在设备数量增加到一定值时，分组NPCA方法相较于原本的NPCA方式，在接入非主信道时可以平均降低55.97%的冲突率，有效提高设备接入成功概率；并提高信道吞吐量28.83%，有效提升了NPCA技术的信道吞吐量。

针对低信噪比时频谱感知性能受限的问题，提出一种基于能量值与协方差矩阵最大特征值、第二大特征值并通过凌日搜索优化算法(transit search optimization algorithm, TSOA)改进卷积神经网络(convolutional neural network, CNN)的协作频谱感知方法。首先，构造接收信号的协方差矩阵，选取其最大和第二大特征值，并结合信号能量值构造特征向量，无需主用户的先验信息，生成CNN模型的训练集和测试集，TSOA自动优化CNN参数，获得最优CNN模型；然后，通过测试集验证TSOA优化后的CNN模型性能。仿真结果表明，使用多维特征的TSOA-CNN算法，显著提高了模型的分类准确性和频谱感知性能。

经典强化学习算法在抗干扰决策领域虽然具有一定的作用，但收敛速度较慢，难以在短时间内生成有效的抗干扰策略，这在实际应用中是难以接受的。为提高抗干扰能力的同时尽量加快其收敛速度，基于强化学习算法框架，使用信息调节长短期记忆网络构建策略和价值网络，高效建模干扰环境中的频谱状态，筛选重要特征、抑制无效信息，提高了模型对环境的建模准确度。同时，使用经验补充机制加速对算法经验池的填充，促使算法快速达到训练状态。两者结合，使得算法的归一化吞吐量到达0.65时，使用的回合数比柔性演员-评论员（soft actor-critic，SAC）算法少85.3%，算法收敛后的归一化吞吐量比SAC算法高出26.3%。实验结果表明，所提算法对环境的建模准确度高、收敛速度快、归一化吞吐量更高，表现出良好的适应性和鲁棒性。