为去除磁共振成像（MRI）中的吉布斯伪影，提出一种基于自蒸馏训练的自注意力连接UNet （SD-SacUNet）算法。为了缩小UNet框架中跳连接两端编码和解码特征之间的语义差距，帮助捕捉伪影的位置信息，将UNet编码端每个下采样层的输出特征分别输入各自的自注意力连接模块进行自注意力机制的运算，而后与解码特征进行融合，参与特征的重建；在网络解码端进行自蒸馏训练，通过建立深层与浅层特征之间的损失函数，使深层重建网络的特征信息可以用于指导浅层网络的训练，同时优化整个网络，提升图像重建水平。在公开的MRI数据集CC359上评估SD-SacUNet算法的性能，获得的峰值信噪比（PSNR）为30.26 dB，结构相似性（SSIM）为0.917 9；与GRACNN （Gibbs-Ringing Artifact reduction using Convolutional Neural Network）、SwinIR （Image Restoration using Swin Transformer）相比，SD-SacUNet的PSNR分别提高了0.77 dB、0.14 dB，SSIM分别提高了0.018 3、0.003 3。实验结果表明，SD-SacUNet算法提升了MRI去除吉布斯伪影的图像重建性能，具备潜在的应用价值。

针对认知雷达在杂波环境下探测扩展目标时,回波信号的信号杂波噪声比(SCNR)较低的问题,提出了一种基于SCNR认知雷达发射波形优化设计方法。首先,不同于以往的点目标模型,通过建立扩展目标探测模型,得到认知雷达回波信号杂波噪声比(SCNR)与发射信号能量谱密度(ESD)间的关系;其次,根据最大SCNR准则推导出发射信号ESD的全局最优解;最后,为了得到有实际意义的时域信号,采用相位调制的方式,结合最小均方误差(MMSE)和迭代算法将最优ESD合成满足雷达发射要求的恒幅时域信号。仿真实验中,该方法所得时域合成信号幅度为1,在匹配滤波器输出端的SCNR为19.133 dB,仅小于理想值0.005 dB。结果表明,所得到的时域波形不仅能够满足恒幅要求,而且能使接收机输出端的SCNR接近理想值,提高了扩展目标探测性能。