团队提出了针对RGB-T显著性目标检测的双映射Transformer 自适应交互网络。通过跨模态注意力机制或互补门控设计，整合RGB等异构模态的互补信息，抑制模态间噪声并增强语义关联性，实现多模态数据的高效协同感知。通过动态调整多源特征的融合比例，利用峰值旁瓣比指标量化特征可靠性，并结合注意力机制过滤冗余信息，从而提升复杂场景下目标识别的鲁棒性和精度。基于变异系数或交叉熵距离客观方法，动态分配特征权重，强化关键特征的贡献，同时抑制噪声信息，从而优化目标检测的训练过程与定位准确性。

（2）水下目标识别：

水下环境复杂多变，声呐图像分辨率低、噪声干扰大，且目标特征较弱，使得水下弱小目标识别面临诸多挑战。声呐图像容易受到海水介质变化、海洋生物干扰等因素的影响，而且水下目标的分布往往较为稀疏，寻找合适的样本点需要耗费大量的时间和精力。团队针对水下目标识别的问题进行样本不完备条件下的学习策略优化、基于多源信息融合的智能识别模型构建、深度学习模型优化加速以及国产低算力平台适配等研究，实现高性能、自主可控的水下弱小目标智能识别解决方案。

（3）有源雷达干扰信号识别：

构建大规模、多体制有源雷达干扰信号数据集，覆盖多种干扰样式、参数组合和动态变化场景，提升模型泛化能力。融合深度时序建模与多尺度特征学习方法，实现对复杂干扰信号本质特征的精准表征。

（4）大机动目标雷达-红外多模态融合识别：

面向大机动目标复合制导需求，构建雷达HRRP–红外多模态融合识别框架，解决单一传感器信息不完备的问题。基于Transformer–Capsule双分支结构，实现序列散射特征与空间结构特征的协同建模，提升复杂机动条件下的识别稳定性。引入轻量化Transformer与稀疏建模机制，在保证性能的同时降低计算与存储开销，满足工程部署需求。通过Clustering Self-Distillation增强跨模态特征一致性，提高强干扰、视角变化条件下的鲁棒性与泛化能力。

（5）SAR图像序贯识别：

引入卡尔曼滤波框架进行状态估计，利用前序SAR船舶检测结果实现SAR图像目标的序贯识别，利用卡尔曼滤波进行状态估计，实现目标递推预测与识别延续；通过孪生神经网络实现目标特征匹配，保障跨帧识别的一致性；在非均匀采样条件下，采用以观测为中心的鲁棒更新机制，减少累积误差。