作为无人机技术的一个前沿分支，无人机群协同在执行搜索救援、消防、侦察、监视等复杂而广泛的任务中，在功能性和灵活性上都表现出显著优势，因此在民用和军事领域得到越来越多关注。协同路径规划是无人机群共同执行任务的关键问题。本文试图对无人机群协同路径规划的研究作全面回顾。首先，从任务、无人机群和环境3个要素出发，提出一个广义的协同路径规划问题优化框架，作为对不同类型的协同路径规划问题进行综合分类的基础。基于该框架，进一步提出一种分类法，对现有协同路径规划问题分类，以便用统一方式描述不同类型协同路径规划问题。接着，在分类法基础上，对近年来的协同路径规划研究作回顾和统计分析，并重点介绍现有协同路径规划研究中的协同要素。此外，提供一系列具有挑战性的协同路径规划问题，以突出未来研究方向。

针对多无人机协同任务，基于新的分布式结构建立一套实时的单目同步定位与地图创建（SLAM）框架。该SLAM框架与其他一般SLAM框架主要有两点不同：首先它不以建立全局地图为目标，而是着眼于估算无人机最新的相邻位置关系；其次系统中没有中央化结构，每个飞行器拥有独立的计算测量地图和自运动估计器，通过自身地图与相邻无人机地图间的关系计算相对位置。为实时实现以上性能，设计一套新的特征描述与匹配算法，以避免由于无人机数量变多导致的特征数据计算压力灾难性扩张。基于哈希与主成分分析，将匹配算法的时间复杂度从O(log N)优化至O(1)。为评估性能，将算法在多视角的立体数据集上进行验证，取得良好结果。最后，通过仿真与真实飞行试验，测试整体系统可行性。

本文研究多无人机辅助移动边缘计算系统，该系统中无人机可作为边缘服务器为物联网设备提供计算服务。本文目标是通过规划无人机轨迹将系统能耗最小化。规划无人机轨迹不仅要考虑停靠点的访问顺序，还要考虑停靠点的布局（包括其数量和位置）以及无人机与停靠点的关联。为解决该问题，提出一个3阶段的能量有效轨迹规划算法。第一阶段采用种群大小可变的差分进化算法，同时更新停靠点的数量和位置。第二阶段采用k均值聚类算法将给定停靠点聚类为一系列子组，其中子组数目等于无人机数目，且每个子组中包含一个无人机需要访问的所有停靠点。第三阶段提出一种低复杂度的贪婪方法用于快速获取每个子组中停靠点的访问顺序。最后，在一组不同规模的实例上验证所提出算法的有效性。

深度强化学习已成为人工智能研究中最受欢迎的主题之一，已被广泛应用于端到端控制、机器人控制、推荐系统、自然语言对话系统等多个领域。本文对深度强化学习算法和应用进行系统分类，提供详细论述，并将现有深度强化学习算法分为基于模型的方法、无模型方法和高级深度强化学习方法。之后，全面分析探索、逆强化学习和迁移强化学习等高级算法的进展。最后，概述当前深度强化学习的代表性应用，并分析4个亟待解决的问题。

在水下场景中，成像系统获取的视频和图像质量严重下降，影响目标的检测和识别。因此，从模糊的视频和图像中恢复真实场景具有重要意义。由于悬浮粒子对光线的吸收和散射作用，获取的图像往往能见度低，存在偏色、对比度低、噪声和模糊等问题。本文旨在对水下图像去雾的重要技术进行分类和比较，为本领域研究人员分析当前研究现状。通过广泛的文献调研，首先分析水下图像退化原因和水下光学成像模型。将现有水下图像去雾方法分为3类，包括水下图像复原方法、水下图像增强方法和基于深度学习的去雾方法。然后，总结水下图像客观质量评价方法，并对经典和当前流行的水下图像去雾方法的性能进行比较分析。最后指出当前水下图像复原和增强技术存在的不足，展望未来的7个研究方向。

深度神经网络（DNNs）虽已在语义分割领域取得极大成功，但要实现实时推理仍然是一项巨大挑战。大量特征通道、参数与浮点运算极大延缓了网络的推理速度，导致无法满足诸如机器人控制、自动驾驶等实时任务要求。现有大多数方法是通过牺牲空间分辨率来加速推理，往往导致推理结果准确率下降。针对此问题，提出一种新的轻量级阶段池化语义分割网络（SPSSN）。该网络可以保留浅层学习得到的重要特征并在后续层中重复使用。SPSSN以2048×1024的全分辨率图像作为输入，网络模型仅包含1.42×10⁶参数。在无预训练情况下，在Cityscapes数据集上可达到69.4%的mIoU精度，推理速度则可达到每秒59帧。由于SPSSN结构轻巧，它可以在移动设备上实时运行。最后，为验证本文方法有效性，与当前最优网络进行了对比。

提出一种新的基于Rivest-Shamir-Adleman（RSA）公钥密码系统和Arnold映射的非对称像素混淆算法。首先，为解决Arnold映射参数对称分布问题，采用RSA非对称算法生成两组Arnold映射变换参数。其次，将图像分成图像块，并利用第一组参数对各图像块进行Arnold混淆。然后，使用第二组参数对整个图像进行Arnold混淆。从而，充分削弱图像相关性，进一步提高图像混淆程度和效果。试验结果表明，相比于基于经典Arnold映射混淆和基于行列交换混淆，本文所提图像像素混淆算法具有更好混淆效果。具体来说，灰度差的值均接近于0。另外，新的混淆操作安全性依赖于RSA，可作为密码学中混淆—替换结构的一部分。

基于图卷积神经网络的半监督图分析（GCN）方法已取得成功。然而，该方法忽略了图中节点的某些局部信息，说明GCN数据预处理不够完善，训练产生的模型不够精确。因此，在基于图嵌入技术的多个非监督方法中，对输入数据局部信息的采集非常重要。本文将基于相似邻接度假设的局部分析方法应用到图卷积网络，并给出局部密度的定义；该方法被称作LDGCN。LDGCN通过两种不同方法处理图卷积网络的输入数据，即非平衡方法和平衡方法。被处理后的输入数据包含更详细的结点局部信息，训练所生成的模型更准确。通过GCN原理介绍LDGCN的实现，然后使用3个主流图数据集（Cora，Citeseer和Pubmed）验证其有效性。最后，通过节点分类实验与多个主流图分析方法对比，结果表明LDGCN算法有更好表现。

传统目标跟踪算法中测角误差和测距误差取经验值，量测噪声为常数。本文分析测角误差和测距误差的影响因素，发现它们都与目标信噪比相关。于是建立雷达信噪比模型，将信噪比信息应用到目标跟踪算法。结合先进的非线性滤波算法，提出利用信噪比的扩展卡尔曼滤波（SNR-EKF）算法和利用姿态角的不敏卡尔曼滤波（SNR-UKF）算法。SNR-EKF和SNR–UKF相比位置精度差距不大，但在计算耗时上SNR-EKF算法较优，速度精度上SNR-UKF占优。仿真结果表明，利用信噪比的目标跟踪算法相比传统的EKF、UKF算法目标跟踪性能得到很大提高，体现在跟踪精度显著提高，收敛速度显著加快。