移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率（RSRP）估计的准确性。传统上，基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中，不同小区的无线传播模型需要使用大量RSRP实测数据校正。由于不同小区环境存在差异，经过校正后的模型只适用于对应小区，且小区内的RSRP估计精度低。针对上述问题，将RSRP估计问题转化为图去噪问题，并通过图像处理与深度学习技术得到小区级无线传播模型，不仅能实现小区整体的RSRP估计，且能适用于相似环境小区。首先，通过随机森林回归器逐点预测每个接收点的RSRP，得到整个小区的RSRP估计图；然后，将RSRP估计图和实测RSRP分布图之间的损失视为RSRP噪声图，提出基于条件生成对抗网络（CGAN）的图去噪RSRP估计方法，通过电子环境地图反映小区的环境信息，有效地降低不同小区的RSRP。实验结果表明，在无实测数据的跨小区RSRP预测场景下，所提方法预测RSRP的均方根误差（RMSE）为6.77 dBm，相较于基于卷积神经网络的RSRP估计方法EFsNet下降2.55 dBm；在同小区RSRP预测场景下，相较于EFsNet，模型参数量减小80.3%。

自动驾驶车辆在行驶过程中，需要对行人和车辆同时完成目标检测、实例分割和目标跟踪三个任务。提出一种基于深度学习的环境感知模型同时对三个任务进行多任务学习。首先，通过卷积神经网络对连续帧图像提取时空特征；然后，通过注意力机制对时空特征进行去耦再融合，充分利用任务间的相关性，实现不同任务对时空特征的差异化选择；最后，为平衡不同任务间的学习速率，使用动态加权平均的方式对模型进行训练。在KITTI数据集上的实验结果表明，所提模型在目标检测方面，比CenterTrack模型F1得分提高了0.6个百分点；在目标跟踪方面，比TraDeS（Track to Detect and Segment）模型多目标跟踪精度（MOTA）提高了0.7个百分点；在实例分割方面，比SOLOv2（Segmenting Objects by LOcations version 2）模型 \mathrm{A} {\mathrm{P}}_{\mathrm{50}} 和 \mathrm{A} {\mathrm{P}}_{\mathrm{75}} 分别提高了7.4和3.9个百分点。