遥感数据具有高度的时空相关性以及复杂的地物特征，使得这些数据的隐私保护面临挑战。联邦学习作为一种旨在保护参与方数据隐私的分布式学习方法，为应对遥感数据隐私保护面对的挑战提供了有效的解决方案；然而，在联邦学习模型的训练阶段，恶意攻击者可能通过反演推断参与者的隐私信息，进而导致敏感信息的泄露。针对遥感数据在联邦学习训练中存在的隐私泄露问题，提出一种基于本地差分隐私的联邦学习隐私保护方案。首先，对模型进行预训练，计算模型的层重要性，并根据层重要性合理分配隐私预算；然后，通过对模型更新进行裁剪变换，并对裁剪值进行自适应随机扰动，实现本地差分隐私保护；最后，在聚合扰动更新时，采用模型校正以进一步提高模型性能。理论分析和仿真结果表明，所提方案不仅能为各参与方提供合适的差分隐私保护，并有效防止通过反演推断出隐私敏感信息，而且在3个遥感数据集上相较于基于分段机制的扰动方案提升了3.28~3.93个百分点的准确率。可见，所提方案在保证隐私的同时有效保障了模型性能。

将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参数的异质性，对训练参数均匀裁剪使每轮加入的噪声都是均匀的，从而影响模型收敛和训练参数质量的问题，提出一种基于梯度裁剪的自适应噪声添加方案。考虑梯度的异质性，在不同轮次为不同客户端执行自适应的梯度裁剪，从而使噪声大小自适应调整；同时，为进一步提升模型性能，对比传统的客户端随机采样方式，提出一种结合轮盘赌与精英保留的客户端采样方法。结合上述2种方法，提出一种结合客户端选择的自适应差分隐私联邦学习（CS&AGC DP_FL）方法。实验结果表明，在隐私预算为0.5时，相较于自适应差分隐私的联邦学习方法（Adapt DP_FL），所提方法能在相同级别的隐私约束下使最终的模型分类准确率提升4.9个百分点，并且在收敛速度方面，所提方法相较于对比方法进入收敛状态所需的轮次减少了4~10轮。

针对功能磁共振成像（fMRI）脑龄预测精度较低以及该问题与深度学习结合研究较少的现状，提出一种轻量级多尺度卷积网络的fMRI脑龄预测模型（LMCN）。首先，通过计算fMRI中感兴趣区（ROI）的皮尔逊相关系数（R）得到ROI的功能连接（FC）矩阵，并将该矩阵作为输入；其次，在提升FC通道数保证特征数的同时缩小特征图尺寸，并采用具有人类视觉注意力特点的多尺度空洞卷积模块RFB（Receptive Field Block）提取年龄特征；最后，通过全连接层输出预测脑龄，并计算各脑区的消融预测结果，从而探索对脑龄预测结果产生影响的关键脑区。在E-NKI和Cam-CAN这2个公开数据集上评估，可知LMCN参数所需内存为2.30 MB，比MobileNetV3、ShuffleNetV2分别减少了60.3%、52.0%。预测结果方面，在E-NKI数据集上，LMCN的平均绝对误差（MAE）为5.16，R为0.947，均方根误差（RMSE）为6.40，与基于网络的特征选择结合最小角回归模型相比，MAE减小了1.34，R增加了0.037；在Cam-CAN数据集上，LMCN的MAE为5.97，R为0.904，RMSE为7.93，与基于连接组的机器学习模型相比，R提升了0.019，RMSE减小了0.64。结果表明，LMCN在参数量较小易于部署的同时，能够有效提高fMRI脑龄预测的精度，并为评估健康成人的脑部状态提供线索。

恶意流量检测是应对网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时，本地标记数据不足，非独立同分布（non-IID）导致协同训练模型性能下降的问题，构建一种基于半监督联邦学习的恶意流量检测模型。该模型借助伪标记和一致性正则化项的半监督学习技术，有效地从未标记数据中提取信息进行训练；同时，设计一种非线性函数，用于动态调整客户端本地有监督和无监督损失在聚合时的权重，以充分利用未标记数据，提高模型的准确性。为降低non-IID问题对全局模型性能的影响，提出一种联邦聚合算法FedLD （Federated-Loss-Data），通过结合训练损失和数据量的权重计算方法，自适应地调整全局模型聚合过程中各客户端模型的权重。实验结果表明，在NSL-KDD数据集上，所提模型在标记数据有限的情况下能够实现较高的检测准确率，与基线模型FedSem （Federated Semi-supervised）相比，检测准确率提升了4.11个百分点，在正常流量（Normal）、拒绝服务（DoS）攻击和探测（Probe）等类别上的召回率也提升了1.65~7.66个百分点，说明所提模型更适用于恶意流量检测领域。

路径规划对于无人机（UAV）集群的任务执行十分重要，而且高维场景中的计算通常很复杂。群体智能为解决该问题提供了较好的解决思路。粒子群优化（PSO）算法具有参数少、收敛速度快、操作简单等优点，尤其适用于路径规划问题，但它在应用时存在全局搜索能力差、容易陷入局部最优的问题。为了解决上述问题以提升无人机集群路径规划的效果，提出了动态簇粒子群优化（DCPSO）算法。首先，利用人工势场法和滚动时域控制原理建模UAV集群路径规划问题的任务场景；其次，引入Tent混沌映射和动态簇机制进一步提升全局搜索能力和搜索精度；最后，使用DCPSO算法优化模型的目标函数，以获得UAV集群的每个轨迹点的选择。在单峰/多峰、低维/高维不同组合的10种基准测试函数下的仿真实验结果表明，与PSO、鸽子启发优化（PIO）、麻雀搜索算法（SSA）和混沌扰动鸽群优化（CDPIO）算法相比，DCPSO算法具有更好的计算最优值、均值和方差，搜索精度更佳，稳定性更强。此外，UAV集群路径规划应用实例仿真结果也验证了DCPSO算法的性能与效果。

针对视频密文域可逆信息隐藏（RDH）嵌入容量不高的问题，提出一种基于直方图平移的视频密文域大容量可逆信息隐藏方案。首先，利用流密码算法对4×4亮度帧内预测模式和运动矢量差值（MVD）的符号位进行加密，形成视频密文域；其次，构造MVD的二维直方图，设计关于（0，0）对称的直方图平移算法；最后，在MVD密文域中进行直方图平移，实现可分离的视频密文域可逆信息隐藏。实验结果表明，与对比方案相比，所提方案的嵌入容量平均提升263.3%，加密视频的平均峰值信噪比（PSNR）最高不超过15.956 dB，含密的解密视频的平均PSNR均能达到30 dB以上。所提方案可以有效提升嵌入容量，适用于更多类型的视频序列。

受限于图像处理的复杂性和分析效率，传统的基于图像识别的光伏故障诊断方法难以实现实时监测和大范围故障分类与定位。针对此问题，提出一种基于形状因子与改进分水岭分割的光伏检测算法。首先，基于形状因子设计光伏组件分割算法，并定义形状因子为连通区域面积与周长的比值，该比值具备尺度和旋转不变性，能实现提取复杂背景中不同尺度的光伏组件轮廓，以避免背景区域对故障诊断造成干扰；其次，利用迭代H值改进分水岭算法，通过调整局部极小值抑制过分割现象，并对分割后的光伏组件图像进行故障分类和精确定位；最后，为了实现远程控制，在树莓派中嵌入由Qt Designer软件设计的人机交互界面并配置内网穿透和虚拟网络控制台（VNC），同时由无人机搭载树莓派和高清摄像头实现在飞行过程中对光伏场站的实时监控和故障诊断。实验结果表明，所提算法识别光伏故障的综合准确率为85.19%，相较于传统分水岭算法的准确率提高了9.38个百分点，过分割率降低了26.1个百分点。以上结果表明所提算法可以更加有效地控制过分割现象，提高故障诊断的准确率。