模拟/数字数据转换器(Analog-to-Digital Converter, ADC)是连接模拟世界与数字世界的桥梁，随着设计技术和制造工艺的发展，其各项性能指标有了长足的进步。本文首先介绍ADC的分类和性能特点，随后从高速ADC和高精度ADC两个设计方向，阐述不同结构ADC的基本原理和技术发展。在高速ADC方向，本文聚焦于SAR ADC和Pipelined SAR ADC的性能优化技术，如CDAC控制方法和比较器设计、非二进制冗余、环路展开以及级间冗余等。在高精度ADC方向，本文分析了Delta-Sigma ADC的多种类型和优缺点，并介绍了Zoom ADC、NS-SAR ADC的技术特点。本文还总结了一些新型的混合架构ADC，介绍它们的组成和研究进展。

在高精度流水线逐次逼近型模数转换器(pipelined-SAR ADC)中，需要使用高开环增益的运算放大器来提高闭环级间残差放大器的增益精度。本文提出的环形放大器使用增益增强型输出级提高开环增益和稳定性，可以实现超过90 dB的开环增益，在不采用任何校准技术的情况下可以显著减小级间残差增益误差，满足16位ADC的精度要求。该ADC基于65 nm CMOS工艺设计，芯片面积为0.256 mm²。在25 MS/s的采样速率以及接近奈奎斯特频率输入信号的条件下，所设计的ADC仿真测得的信噪失真比(Signal-to-noise Distortion Ratio, SNDR)和无杂散动态范围(Spurious Free Dynamic Range, SFDR)分别为77.8 dB和96.8 dB，功耗为2.8 mW，品质因数FoMw和FoMs分别为18.0 fJ/ con.-step和174.3 dB。

基于40 nm CMOS工艺，设计了一款高增益的低噪声放大器芯片。该芯片的拓扑架构采用了变压器输入匹配技术和正反馈同相放大技术，以提高输入匹配程度和增益。通过在传统共源共栅结构的输入级引入有源偏置网络及变压器匹配网络，实现的芯片在仿真环境下不仅能够在常温条件下稳定工作，还展现出–40 ℃~125 ℃范围内的优越性能。因此，该设计可用于不同温度环境下毫米波频段的收发机接收端口，并且有着一定的温度稳定特性。该低噪声放大器芯片的版图尺寸为0.383 mm×0.694 mm。版图后仿真结果显示，在24~27 GHz的工作频段内，该低噪声放大器常温下实现了低于4.96 dB的噪声系数、18.11 dB的最大增益、小于–16.08 dB的输入回波损耗和小于–11.54 dB的输出回波损耗。此外，该低噪声放大器设计还具有输入P_1dB为–20.36 dBm、直流功耗P_diss为12.8 mW等优异指标。

针对现代无线通信系统日趋高性能的需求，设计了一种基于开关电容功率放大器(Switched Capacitor Power Amplifier, SCPA) 的圆极化有源集成发射天线。在有源集成发射天线中，天线不仅为开关电容功率放大器提供最佳负载阻抗，同时还对键合线引入的寄生电感进行补偿，进而减小了电路损耗，实现了紧凑的一体化设计。得益于天线提供的最佳负载阻抗，开关电容功率放大器芯片去除了输出匹配网络。芯片采用极性和正交复用的设计，在保持系统紧凑性的同时支持了更复杂的调制方式。平面缝隙天线在环形槽结构中引入一段细长枝节，使得环形槽结构的基膜分解为两个正交的简并谐振模，在同一频段中同时实现了右旋圆极化和左旋圆极化。实验结果表明，所设计的开关电容功率放大器频率为1.92 GHz，最大输出功率为10.25 dBm，有源集成天线在工作频率上的等效各向同性辐射功率(Equivalent Isotropic Radiated Power, EIRP)达到12.5 dBm。

泄漏功耗是集成电路应用中的关键问题，体偏置调节技术是最常用的功耗调节技术之一。传统的体偏置调节电路具有偏置电压范围小、多电源电压等问题，不仅增加了整个系统的成本，还限制了体偏置调节技术的优化效果。基于22 nm FDSOI(Fully Depleted Silicon On Insulator)RVT(Regular Voltage Threshold)工艺，本文提出一种适用于22 nm FDSOI RVT数字集成电路的宽范围体偏置调节电路，该电路具有可编程的(0 V，±2 V)宽电压输出范围，可实现50 mV的偏置电压分辨率，而且不需要额外的电源输入。基于22 nm FDSOI工艺实现了测试电路，仿真结果表明，本文提出的体偏置调节电路可将测试电路的待机泄漏降低34%~92%，并具有较宽的性能跟踪范围。

物理验证是芯片生产制造中的关键问题，可保证芯片良率。在实际制造前检测芯片版图中的潜在热点是物理验证的重要步骤，确保制造可行性，提高生产效率。传统的热点检测技术具有检测周期长、消耗大量计算资源等问题，不仅增加了整个生产周期的时间成本，而且检测到的热点模式有限。基于主动学习技术和视觉状态空间模型，本文提出一种新的热点检测模型，使用记忆性评估查询的采样策略，缓解热点数据和非热点数据不平衡问题对模型的影响；同时对基于卷积神经网络(Convolutional Neural Network，CNN)结构的分辨率受限以及基于视觉转换器(Vision Transformers，ViT) 网络架构的二次复杂度进行优化，实现热点检测器的线性复杂度。使用ICCAD-2012竞赛数据进行测试，表明本文提出的热点检测器能够显著减少误报率，当召回率高达98.89%时，误报率仅为1.47%。

基于3D三层单元NAND闪存的固态硬盘由于存储密度高、每比特成本低，正逐渐成为大规模存储系统中占主导地位的存储介质。随着技术的发展，3D NAND闪存芯片的存储密度越来越高，可靠性也越来越差。可靠性的降低和厂商制定寿命标称值过于保守导致闪存芯片在未达到实际寿命前被过早地淘汰，造成不必要的浪费。通过机器学习预测模型对闪存芯片进行寿命预测可以优化存储策略，有效延长寿命并减少损失。然而因生产工艺差异，导致闪存芯片之间的错误特性有一定的不同，会影响对闪存芯片寿命预测的准确度。本文经过实验发现数据保留错误的误比特率可用来表征擦/写次数，并提出通过将相邻字线写入特定内容的方法激励字线间干扰，可有效减少耗时并提高寿命预测准确率，经验证可缩短耗时约90.9%，预测准确率可提高33.3个百分点。

从心脏核磁共振成像中准确分割左心室内膜，进而得到左心室区域，是对心脏功能进行分析的重要步骤。针对强化学习通过定位左心室内膜边缘来进行分割时容易出现定位偏差而导致分割效果下降的问题，本文提出一种基于方向约束强化学习的左心室内膜分割方法。方法将分割任务划分为两个阶段：在第一阶段提取内膜的全局边缘特征；在第二阶段利用强化学习迭代定位内膜边缘点得到边缘，从而分割出左心室内膜。方法对智能体的定位方向进行约束，能减少定位偏差和重叠的情况从而提高分割精度。最后，在两个公共数据集自动心脏诊断挑战(Automatic Cardiac Diagnosis Challenge, ACDC)和Sunnybrook心脏MR左心室分割挑战(Sunnybrook Cardiac MR Left Ventricle Segmentation Challenge, Sunnybrook)上的实验结果显示：与其他方法相比，本文方法精度较高，其F1-score指标分别为0.9482、0.9387，平均垂直距离(Average Perpendicular Distance, APD)分别为3.5863、4.9447，能有效地分割左心室内膜。

现有基于代理模型的昂贵约束多目标优化算法存在两个问题，即使用回归模型拟合约束时带来的误差影响算法的搜索方向，以及目标函数存在不可拟合的情况时，回归模型拟合效果差。为解决这两个问题，提出一种分类模型与回归模型协同的昂贵约束多目标进化优化算法。该方法使用分类模型对搜索空间进行粗略划分，指导算法快速进入可行区域，减弱约束拟合误差的影响。使用回归模型在可行区域内优化目标函数。两种模型协同工作，分类模型提供概括的搜索方向，回归模型进行精细建模。这种模型的融合，既考虑了约束误差对算法的影响，也综合了目标函数的可拟合性问题，能更全面准确地描绘复杂问题的特征，从而提高算法的求解效率和效果，为进一步提升基于代理模型的昂贵约束多目标优化提供了一种协同建模的有效途径。

主动领域自适应 (Active Domain Adaptation, ADA) 目的是在领域自适应的背景下利用尽可能少的目标域查询预算来训练一个有效模型。然而，由于领域漂移的存在，现有的算法选择的实例可能是信息量低、冗余或离群的。为了解决这个问题，本文提出了一种新的方法用于主动领域自适应，即基于邻居环境感知的样本选择算法 (Neighbor Environment Perception Sample Selection, NEPS)。NEPS以一种邻居环境感知的方式来探索目标样本的信息量，以选择在领域转移下可能最有价值的实例。具体而言，在计算样本信息量时，测量所提出的邻居环境感知信息得分 (Neighbor Awareness Informativeness Score, NAIS) 的同时利用从单个数据点以及从其附近的邻居所获得的信息，从而确保所选样本具有较高的单点及环境信息量。同时，通过计算候选样本与已标记样本的相似度分数来对样本进行排序挑选，以保证所选样本的多样性。此外，还充分利用了所有已标记样本以及目标领域的大量未标记数据信息，进而提高模型的性能。经验证，本文方法具有较强的样本选择能力，在各种基准数据集上的分类效果都优于现有的模型。

针对序列短、数据稀疏、难以泛化导致的会话推荐准确率不高问题，提出了因子级特征与属性偏好联合学习的会话推荐模型。模型首先通过构建全局级会话项目依赖感知图，学习用户全局级会话项目嵌入；然后，应用解纠缠表示学习方法将会话中的项目分解为多个相对独立的因子级特征，学习用户因子级兴趣偏好；接着利用情境化自注意图神经网络捕获用户针对会话项目属性的偏好；最后，将因子级兴趣偏好与项目属性偏好联合学习，得到用户最终兴趣偏好表示，并最终完成会话推荐。在Diginetica、Cosmetics两个公开数据集上的多个实验表明，本文模型优于对比的基线模型，验证了本文模型的良好推荐性能和设计合理性。

单光子发射计算机断层扫描(Single-Photon Emission Computerized Tomography，SPECT)检查中所使用的放射性示踪剂会对人体造成辐射损害，因此，低剂量SPECT在核医学成像中受到广泛关注。在低剂量成像条件下，投影数据受到严重的噪声污染。已有大量研究工作探索基于全监督的深度学习重建方法以抑制图像噪声。全监督方法所得的图像质量取决于标签的数量与质量。然而，用作监督标签的正常剂量图像在临床上难以获取。为克服上述困难，本文提出一种带有GAN(Generative Adversarial Network)损失的预训练平均教师方法，以实现低剂量SPECT重建。所提方法为平均教师模型引入基于Swin-Conv-Unet的预训练模型，以提高未标记训练数据的可靠性。教师模型通过一致性正则化监督学生模型；预训练模型使用少量标记数据进行训练，并通过GAN损失提高监督可靠性。数值实验验证所提方法在抑制噪声和保持特征方面的性能，相较于平均教师方法，论文重建方法所得图像的结构相似性指数提高了2%，均方根误差降低了9%，峰值信噪比提高了0.77 dB。数据集由SIMIND仿真软件使用XCAT数字模体生成。

以ICESat-2/ATLAS为代表的单光子激光雷达具有观测灵敏度高、背景噪声大的特点，需要合适的滤波方法去除噪声点。本文基于点云密度去噪原理，提出了一种自适应光子点云信号提取方法。该方法首先根据地表地形对点云进行栅格划分，以栅格为单元对点云进行连续性检验，实现点云粗滤波；利用K均值聚类算法和布料模拟滤波完成点云精细分类和光子高程点提取。对ATL03光子点云实验结果表明，本文方法对于不同地形变化的点云数据均可取得良好的处理效果，信号点召回率(Recall)、精确率(Precision)及F值分别达到99.0%、99.9%、99.5%。基于参考点云的配准实验结果表明，3组光子高程点的高程中误差分别为0.960、0.957、0.872 m，优于官方提供的ATL08对照组。

移动自组织网络(Mobile Ad-hoc Network, MANET)依赖小型通信节点间的信道信息，然而传统的大型信道测量设备难以搭建于MANET小型节点上，同时港口堆场节点间的无线信道呈现较强的时空变化特性，因此在该场景下进行信道测量与建模存在设备便携性与信道模型精确性的双重挑战。针对面向MANET的测量设备小型化问题，本文研究基于通用软件无线电外设(Universal Software Radio Peripheral ，USRP)的便携高精度信道测量方法，测量分析港口堆场内金属结构体对大尺度、小尺度参数的影响；针对场景复杂度高导致射线追踪信道模型精确性不足的问题，创新地提出基于信道测量数据的最优参数搜索方法，通过识别影响射线追踪精度的关键仿真参数并搜索最优值，对信道模型进行迭代校准。结果表明本文提出的建模方法在堆场MANET场景下，由金属结构体引起的多径效应导致平均功率时延谱在多个区间内出现明显聚集现象，适合采用双斜率模型对路径损耗进行拟合。本文提出的最优参数搜索方法显著提高路径损耗和均方根时延扩展仿真值与测量值的吻合度，提升了信道模型的准确性和普适性。

多层卷积稀疏编码模型(Multi-layer Convolutional Sparse Coding, ML-CSC)被认为是对卷积神经网络(Convolutional Neural Networks, CNN)的一种理论阐释。尽管ML-CSC模型在特征对比度高的数据集上表现良好，但是其在特征对比度低的数据集上表现不佳。为了解决这一问题，本文引入多尺度技术设计了一种多尺度多层卷积稀疏编码网络(Multi-scale Multi-layer Convolutional Sparse Coding Network, MSMCSCNet)，不仅在特征对比度较弱的情况下得到更好的图像分类效果，而且也使模型具有扎实的理论基础和较高的可解释性。实验结果表明，MSMCSCNet在不增加参数量的前提下，在Cifar10、Cifar100数据集和Imagenet32数据子集上，准确率相比现有ML-CSC模型分别提高了5.75，9.75和9.8个百分点。此外，消融实验进一步证实了模型的多尺度设计和特征筛选模式设计的有效性。

本文提出了一种偏振不敏感的等离子体微腔光电探测器，使用二维纳米级金圆柱阵列作为等离子体电极。圆柱的二维对称性使得等离子体电极对入射光的偏振角度不敏感。通过在亚波长金属圆柱与金属反射镜之间形成金属–半导体–金属腔，在超薄区域实现光吸收的有效增强。利用时域有限差分法和有限元法，计算了光电探测器的光响应和电响应，并分析了几何参数对金纳米圆柱性能的影响。结果表明，优化参数后，器件整体光吸收率为94.7%，GaAs半导体中光吸收率可以达到81.1%，器件的响应度在5 V偏置电压、10 mW入射光功率下可以达到0.37 A/W。该器件表现出极低的偏振依赖特性，偏振角度的变化不会引起器件半导体中吸收率的变化，并且在入射角度发生变化时，吸收峰位置不发生变化，吸收响应也能够得到有效保留。