对三维计算机视觉领域中近三十年的局部描述子进行总结，回顾了传统三维手工局部描述符的构造方法，介绍了基于深度学习的方法．首先，针对三维手工局部特征和学习型特征，分别从局部参考坐标系和三维数据的表示方式的角度出发，对它们进行分类概述，并重点介绍部分典型方法；然后，概述了三维局部描述子的常用数据集，并统计了各数据集上现有描述子的性能；最后，探讨了三维描述子领域未来值得研究的一些问题．

以多视图点云配准为研究对象，对近二十余年的多视图点云配准相关研究工作进行了全面的分类归纳及总结．首先，阐述点云数据及多视图点云配准的概念．根据配准的任务不同，将多视图点云配准分为多视图点云粗配准和多视图点云精配准两大类，并对其各自算法的核心思想及算法改进进行介绍，其中，多视图点云粗配准算法进一步分为基于生成树和基于形状生成两类；多视图点云精配准算法进一步分为基于点云的点空间、基于点云的帧空间变换平均、基于深度学习和基于优化四类．然后，介绍了四种多视图点云配准数据集及主流多视图配准评价指标．最后，对该研究领域研究现状进行总结，指出存在的挑战，并给出了未来研究展望．

针对压缩感知可解释性的问题，首先回顾了基于深度学习的压缩感知方法发展历程及存在问题，阐述了算法展开方法的研究背景和重要意义，并对主流的算法展开网络及特点进行分析总结；然后根据传统迭代算法，将算法展开网络进行分类，并选择三个具有代表性的算法，分别为迭代收缩阈值算法、近似消息传递算法和交替方向乘子法，概述其相应的原理，分析这三种算法的网络展开方式、网络特点和实验仿真效果；最后从具体展开方式的设计、展开网络的理论分析和展开网络在资源受限平台下的实施这三方面，探讨了可解释性压缩感知领域中算法展开技术存在的问题和下一步研究的方向．

针对目前中文命名实体识别研究集中在输入文本的特征的提取，且输入的嵌入表示直接影响模型的性能这一特点，从背景知识、研究现状和未来发展等方面对中文命名实体识别的研究展开全面的调查．回顾了命名实体识别的发展进程，解释中文命名实体识别的研究难点，归纳不同的研究方法，分为基于字的模型、基于词的模型和基于字-词的模型；介绍目前中文命名实体识别的主流数据集、标注方法和评价指标，从不同角度分析了各数据集的特点；讨论了近几年深度学习技术在中文命名实体识别中的最新研究进展，介绍各分类下具有代表性的模型及性能对比，分析性能优劣原因；总结了中文命名实体识别当下所面临的一些挑战，讨论了未来更具有研究价值的方向，促进中文命名实体识别的进一步发展．

围绕基于脑电信号的驾驶疲劳检测，通过大量文献检索，总结了脑电信号采集设备、脑电信号特征提取方法和脑电信号分类方法三个方面现状．分析了采集设备的便携性与舒适度问题、与疲劳相关特征的稳定性问题及疲劳检测模型的鲁棒性问题，进而梳理并总结出基于脑电信号驾驶疲劳检测的三个发展趋势：从湿式电极到干式电极；从通道内特征到通道间特征；从浅层机器学习到深度学习．

针对在繁忙机场的地面服务人员动态排班问题，提出一种基于深度Q网络(DQN)的排班方法．首先以最大化任务执行率和最小化员工工作时间作为目标，建立了优化模型；然后根据目标提出了两种不同的排班方法，进而采用DQN算法，根据生成的航班动态数据，提取6个状态特征作为网络的输入，并拟定合适的奖励机制，使得训练后的模型能够动态地选择最好的分配方法，最终对模型进行求解．将该方法应用在连续7 d的实际排班中，实验结果表明：与人工排班结果相比，该方法平均每天的任务完成数增加了0.43个，员工的总工作时长减少了53 min，DQN的排班结果具有明显优势，提高了机场地面服务的工作效率．

针对传统航迹规划方法通常不考虑无人飞行器(UAV)的飞行姿态对其被雷达发现的概率的影响问题，提出一种基于动态雷达散射截面(RCS)的无人飞行器隐身突防航迹规划方法．首先，结合UAV的运动学模型和动态RCS特性，建立雷达制导防御系统下的突防模型；进一步，采用稀疏A*算法对UAV的空间位置及飞行姿态进行搜索，将满足突防准则的扩展点加入搜索空间，并引入通视性分析方法计算扩展点的预估代价．仿真结果表明：该方法在多种假定条件下均能快速规划出低发现概率的隐身航迹；UAV通过位姿调整，能有效躲避预警机等动态威胁的探测，提高突防能力．

针对无人机如何在无全球导航卫星系统(GNSS)或弱GNSS环境下确定自身的位置，以使无人机完成各项既定任务的问题，提出一种在城市环境中以无人机上搭载的俯视相机和高度计作为传感器，通过航拍图像和已知参考卫星图像进行配准以获得无人机绝对位置的方法．在配准之前，使用卷积神经网络对两幅待配准图像进行语义分割，提取两幅图像中的建筑物信息．与传统点特征匹配方法容易失败不同，利用两幅图像的建筑物排列信息配准，可以克服两幅图像可能存在的部分差异，如季节等因素的变化．本方法无须已知无人机的精确初始位置，可利用初始化算法在大面积范围内确定无人机的初始位置．在视觉里程计(VO)运行过程中利用最近点迭代(ICP)点云配准算法以消除漂移．最后，利用在谷歌地球中模拟的数据集，验证了本方法的有效性．

针对地下车库环境中无人驾驶汽车视觉同时定位和建图(SLAM)定位精度低的问题，提出一种融合惯性测量单元(IMU)角速度信息和车辆动力学信息的预积分方法．以IMU频率进行旋转预积分，以车辆动力学频率进行平移预积分．在平移预积分的计算中引入角速度信息，使其可以表达非平面运动．首先使用李代数和旋转群推导了相关的预积分公式、雅可比及噪声状态转移方程；然后以此预积分为基础将车辆动力学信息融合到双目视觉惯性SLAM中，以提高定位精度．地下车库实车实验表明：该方法将双目视觉惯性ORB-SLAM3的平均定位精度提高了32%．

针对现有公交车程时间预测方法不适用于公交有限数据集，且难以对区域内多条公交线路进行预测的不足，研究设计了一种基于多任务学习的多线路公交车程时间预测模型．首先，对多线路公交车程时间预测问题进行分析，并根据问题的特点建立多任务学习预测模型，实现同时对多条公交线路的车程时间的预测．然后，采用湖北省X市五条不同公交线路的车程时间数据集进行预测实验．实验结果表明：所设计的多任务学习预测模型能够有效实现对区域内多条公交线路的车程时间的预测，且建模资源消耗少于对每条公交线路单独建立预测模型的总和，对于每条公交线路车程时间的预测精度也优于对每条线路建立的单任务预测模型．

针对机器人在实际生产中因与环境相接触而可能导致损坏的问题，从运动学角度提出一种通过刚性系数将机器人位置误差和接触力误差建模和解耦的位置/力规划方案．该方案从机器人逆运动学出发，将末端执行器的接触力与位置误差建模为关于机器人速度与位置间的关系式，并且引入一种神经动力学模型．使用伪逆法对所提方案进行求解，将所得的解作为控制信号驱动机器人完成任务．数值仿真与实验结果表明：所提方案能够有效控制机器人完成轨迹跟踪的任务，末端执行器的接触力能够收敛到期望的接触力．

针对传统的基于字级表示的实体槽位识别模型无法很好利用词语信息，以及信息技术(IT)运维领域缺少足够数量公开数据集的问题，提出一种基于BERT_Word2vec_BiLSTM_CRF模型的实体槽位识别方法，并通过数据增强对模型的训练数据集进行扩展．该模型将基于转换器的双向编码表征(BERT)模型得到的字向量表示和Word2vec得到的词向量表示进行融合，通过双向长短时记忆(BiLSTM)网络进行上下文编码，通过条件随机场(CRF)进行解码，得到最终的序列标注结果．通过在某企业提供的数据集上进行实验，结果表明：融合词级特征可以在BERT预训练模型的基础上进一步提升识别性能，F1值达到了92.33%．

针对合成孔径雷达(SAR)数据成像质量差和标注不足的问题，提出一种跨模态域自适应端到端的SAR图像舰船目标检测与识别方法．首先，针对SAR舰船检测中目标特征辨识度低和背景信息复杂度高的问题，设计了融合多尺度特征和局部上下文信息及背景抑制来改进兴趣区域变换网络(RoITransformer)的特征表达能力；然后，针对SAR数据属性标签标注困难及样本缺乏的问题，设计了域适应模块在全局和实例级别实现对齐特征，将属性知识从光学数据跨模态迁移到SAR数据上．自建了近岸区域高分辨率SAR舰船数据集(HRSSRD)，结果表明：所提方法在HRSSRD上实现了88.5%的检测精度，在舰船检测和军民识别任务上具有良好的性能．

针对现有移动边缘计算(MEC)研究中终端资源利用不充分和终端状态信息难表征，导致MEC系统整体利用率低的问题，提出一种基于状态信息聚合的边端协同卸载(SAEEC)方法．首先定义了边缘-拉普拉斯矩阵(ELM)来对终端的状态信息进行高质量压缩表征，然后借鉴联邦学习思想对压缩后的ELM表征信息进行边缘状态聚合，最后将经过全局聚合的决策向量分发给各终端，由终端分布式做出调度决策．实验结果表明：SAEEC方法可以大幅降低状态信息表征与聚合成本，同时提高终端自主决策效率和MEC整体资源利用效能，与传统方法相比可使MEC网络的平均成本下降20%以上．

针对均流控制方案无法保证两相交错并联直流-直流(DC-DC)变换器系统效率处于最优，从而造成能源浪费的问题，提出一种基于电流分配的效率优化控制策略．采用支持向量回归(SVR)算法训练单相变换器效率预测模型，预测任意工况下各相变换器效率特性曲线，进而采用Q学习(Q-learning)算法寻找使系统总效率最优的最佳电流分配方案．该方法克服了传统方法当工况发生变化时须要重新采集数据以拟合效率特性曲线，以及复杂工况下数学求解最佳分配方案计算繁琐的缺点．模型适用性高，所需参数少，可以适应系统运行工况的动态变化，在无须重置模型的情况下给出最优电流分配方案．仿真实验表明：与均流控制相比，所提出的效率优化控制方法能明显提升系统整体效率，最高可达4.5%．

为解决复杂环境下火焰图像分割中产生的误分割及漏分割问题，提出一种火焰图像分割方法．首先将该方法分成初分割和抑制干扰两部分，然后采用并联结构进行粗分割，最后利用区域生长算法进行精准分割．在初分割部分，利用火焰最显著的红色分量对图像进行分割，基于二维最大熵法使用截断技巧，合理求解红色分量阈值；在抑制干扰部分，根据火焰反光区域蓝色分量值存在大幅度衰减现象，采用蓝色分量阈值分割，较好抑制了火焰反光．实验结果表明：所提出的方法有较高的精度和较强的抗干扰性，能解决复杂环境下火焰图像分割问题．

针对聚类算法用于图像分割时造成的过度分割问题，提出一种带有深度邻域信息的模糊C均值聚类算法(FCM_DN)．在传统的带有邻域信息的模糊C均值聚类算法基础上，引入类似高斯滤波的权重来表示像素点的位置差异，同时还引入中心点像素值与邻域点像素值之间的差异．相比于只考虑带有像素点之间位置差异的模糊C均值聚类算法，所提出的算法在聚类时可以使用更大的邻域，从而解决过度分割的问题．结果表明：在人造数据集上，本算法对于椒盐噪声和高斯噪声都有较强的鲁棒性；在现实数据上，本算法相比于11个先进算法在四个指标上有两个指标的表现都位于前三；在SED数据集的归一化互信息(NMI)结果对比中，本算法比其他算法高出1.78%～26.90%．

针对传统统计学习模型等方法对边坡失稳预测精度低、难度大等问题，在对国内外304个边坡案例中高度、角度、容重、黏聚力、内摩擦角、孔隙压力比和边坡状态等参数进行搜集统计的基础上，建立边坡预测数据库，采用麻雀搜索算法(SSA)优化支持向量机(SVM)，构建SSA-SVM边坡失稳智能预测模型，实现对边坡失稳智能预测．采用灰狼优化算法、遗传算法、布谷鸟搜索算法、粒子群优化算法、哈里斯鹰优化算法和鲸鱼优化算法优化SVM，并与SSA-SVM模型进行对比，结果表明：SSA-SVM模型在边坡失稳预测中具有突出优势，其准确率、精确率、F1分数、平均精度分数和AUC值分别达到了90.16%，94.28%，91.43%，96.79%和0.954，高于其他优化模型的相应指标，SSA算法相比其他优化算法具有很强的竞争力．