伪装目标分割（COS）的目标是从背景中分离出隐藏的目标对象。近年来，基于卷积神经网络（CNN）的伪装目标检测（COD）发展迅速，然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题，提出一种基于通道注意力（CA）和边缘融合的COS方法CANet （Network based on Channel Attention and edge fusion），以得到伪装目标的边缘细节更清晰的完整分割结果。首先，引入压缩和激励（SE）注意力模块，以提取更丰富的高级语义特征；其次，提出一个边缘融合模块，抑制低级特征中的干扰，并充分利用图像的边缘细节信息；最后，设计了基于深度可分离卷积的通道注意力模块，以自上而下的方式逐步融合跨级的多尺度特征，进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明，相较于SINet （Search Identification Net）、TINet （Texture-aware Interactive guidance Network）和C²FNet （Context-aware Cross-level Fusion Network）等8种主流的方法，CANet表现更佳，且能够获取到丰富的伪装目标内部及边缘细节信息，而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越，适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。

针对传统物联网（IoT）能耗大、频谱资源稀缺的问题，提出了由环境反向散射、协作接收机（CRx）和环境射频（RF）源共同构建的协作多输入多输出环境反向散射通信（MIMO-AmBC）系统模型。首先，通过使用PSR方案对该系统模型进行分析，推导出信噪比（SNR）；其次，推导出主链路和反向散射链路的遍历速率近似表达式，并得到反向散射链路遍历速率最大值表达式；最后，将其与传统蜂窝网络、CSR方案作对比。实验结果验证了理论推导的正确性并给出有意义结论：1）反向散射链路速率随接收天线数对数增长，与发射天线数无关。2）在SNR为10 dB时，PSR方案的和速率比传统方案、CSR方案分别提升36.8%和29.9%，虽然PSR方案的主链路速率比CSR方案降低5.5%，但反向散射链路的遍历速率比CSR方案提升7.7倍。为实际应用选取AmBC共生方案提供了理论参考。

传统无线通信系统由发射机和接收机组成，待传输的信息经过信道编码、调制、成型后通过天线发射出去。由于信道衰落、噪声和干扰等因素的影响，到达接收机的信号会存在较严重的失真，接收机需要从失真的信号中尽可能地恢复出原始信息。为解决此问题，提出基于多标签分类神经网络的多输入多输出（MIMO）智能接收机模型。该模型利用深度神经网络（DNN）替代接收机从信号到信息之间的整个信息恢复环节，并采用多标签分类算法代替多个二分类器实现多个比特的信息流恢复，而训练数据集为包含二进制相移键控（BPSK）与正交相移键控（QPSK）两种调制方式以及汉明编码与循环编码两种方式的正交信号。实验结果表明在噪声、瑞利衰落、干扰等情况下，使用传统Alamouti译码方法的接收机误码率（BER）为1E-3时，智能接收机已经实现了BER为0的恢复信息；在保持BER性能相同时，所提多标签分类算法比对比模型的多个二分类器算法在每个批次的训练时间上减少了约4 min。

针对现有室内移动机器人自定位方法中存在的定位精度不高,随时间积累定位误差增大,复杂室内环境下信号存在多径效应和非视距效应等问题,提出了一种基于蒙特卡罗定位(MCL)的新的移动机器人自定位方法。首先,通过分析基于无线射频识别(RFID)技术的移动机器人自定位系统,建立机器人运动模型;然后,通过分析基于接收信号强度指示(RSSI)的移动机器人自定位系统,提出机器人移动过程的观测模型;最后,针对粒子滤波定位执行效率不高的问题,提出粒子剔除策略和依据粒子方位赋予粒子权值策略,提高系统的定位精度和执行效率。仿真实验表明,机器人在移动过程中的自定位误差在X轴和Y轴方向上为3 cm,传统定位算法误差为6cm,新算法定位精度提高近1倍,且算法具有很好的鲁棒性。