AI质检是智能制造的重要环节，其设备在进行产品质量检测时会产生大量计算密集型和时延敏感型任务。由于设备计算能力不足，执行检测任务时延较大，极大影响生产效率。多接入边缘计算(MEC)通过将任务卸载至边缘服务器为设备提供就近算力，提升任务执行效率。然而，系统中存在信道变化和任 务随机到达等动态因素，极大影响卸载效率，给任务调度带来了挑战。该文面向多接入边缘计算赋能的AI质检任务调度系统，研究了联合任务调度与资源分配的长期时延最小化问题。由于该问题状态空间大、动作空间包含连续变量，该文提出运用深度确定性策略梯度(DDPG)进行实时任务调度算法设计。所设计算法可基于系统实时状态信息给出最优决策。仿真结果表明，与基准算法相比，该文所提算法具有更好的性能表现和更小的任务执行时延。

该文提出了机载超宽带天线罩口径积分-表面积分-自适应网格(AI-SI-AG)分析方法。给出了用AI-SI-AG的计算和实测结果。理论分析和实验结果表明，该算法能够高效地预测定向和全向天线的带罩方向图，理论计算与实际测试符合较好，在工程应用中有较大的实用价值。

针对在速度拖引干扰和杂波背景下脉冲多普勒(PD)雷达无法精确跟踪目标的问题，该文提出基于双模型(DM)和幅度信息(AI)的目标跟踪算法。分别建立基于位置、幅度量测的跟踪模型和基于位置、速度、幅度量测的跟踪模型。两个模型均使用基于幅度信息的概率数据互联(AI-PDA)尽可能地降低杂波的影响，然后使用常规方法进行滤波估计。若没有速度拖引干扰，则两个模型估计具有位置和速度上的相关性；若存在干扰，由于速度量测是虚假的，则两个模型估计不具有相关性。据此，进行卡方检验(chi-square test)，分析影响检验结果的因素，进而确定最终的估计结果。仿真验证了该算法的有效性。

针对空天地一体化接入网络，该文在总结相关研究的基础上，阐述了未来空天地一体化接入架构的关键技术，分析了空口技术、多址技术、干扰分析、计算技术和人工智能(AI)技术等几个重点方向的研究进展，提出了多种接入形式并存的灵活性网络架构。针对6G全域融合网络接入的重点研究问题，结合用户的服务质量需求，构建了一体化AI赋能架构，提出了大规模混合多址接入及弹性资源适配策略。基于网络架构立体化、网络协同传输、一体化网络资源管理、未来空天地接入技术以及网络协同计算等未来重点研究方向进行了讨论和展望。

随着物联网(IoT)的快速发展，人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限，并且这些设备通常具有隐私保护的需求，那么在保护隐私的同时，如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式，在隐私保护和提升模型性能等方面，具有巨大的潜力，但是通信及本地训练效率低。为了解决上述难题，该文提出一种FL加速框架AccFed。首先，根据网络状态的不同，提出一种基于模型分割的端边云协同训练算法，加速FL本地训练；然后，设计一种多轮迭代再聚合的模型聚合算法，加速FL聚合；最后实验结果表明，AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。

由于传统编码方式对屏幕图像的编码效果不佳，该文根据屏幕图像包含大量非连续色调内容的特点，在HEVC(High Efficiency Video Coding)基础上，提出一种新的帧内编码模式称为帧内串匹配(Intra String Copy, ISC)。基本思想是在HEVC的编码单元(Coding Unit, CU)级别上，引入字典编码工具：编码时，在一定长度的字典窗口内，利用散列表，对当前CU内的像素，进行串搜索和匹配；解码时，根据像素串匹配的距离和匹配长度，在重建缓存内复制相应位置像素重建当前CU像素。实验结果表明，在编码复杂度增加很少的情况下，对于典型的屏幕图像测试序列，在全帧内(All Intra, AI)，随机接入(Random Access, RA)，低延迟(Low-delay B, LB)3种配置下，有损编码模式比HEVC分别节省码率15.1%, 12.0%, 8.3%，无损编码模式分别节省码率23.3%, 14.9%, 11.6%。

移动云计算、人工智能(AI)、5G等新兴技术应用促使弹性光网络(EON)在骨干传输网中发挥更重要的角色，降级服务(DS)技术为降低EON的业务阻塞率、提高频谱利用率提供了新途径。该文首先对现有DS算法的资源分配不公、忽略低等级业务的体验质量(QoE)等问题，建立了以最小化降级频次、降级等级与传输时延损失(TDL)为联合优化目标的混合整数线性规划(MILP)模型，并提出一种时延感知的降级恢复路由与频谱分配(DDR-RSA)算法。为提高降级业务的QoE和运营商收益，在算法的最优DS窗口选择阶段中融入降级恢复策略，在保障传输数据量不变的前提下，将降级业务向空闲频域复原，从而提高频谱效率、减小降级业务TDL和最大化网络收益。最后，通过仿真证明了所提算法在业务阻塞率、网络收益和降级业务成功率等方面的优势。

AI+热成像人体温度监测系统被广泛用于人群密集的人体实时温度测量。此类系统检测人的头部区域进行温度测量，由于各类遮挡，温度测量区域可能太小而无法正确测量。为了解决这个问题，该文提出一种融合红外注意力提升机制的无锚点实例分割网络，用于实时红外热成像温度测量区域实例分割。该文所提出的实例分割网络在检测阶段和分割阶段融合红外空间注意力模块(ISAM)，旨在准确分割红外图像中的头部裸露区域，以进行准确实时的温度测量。结合公共热成像面部数据集和采集的红外热成像数据集，制作了“热成像温度测量区域分割数据集”用于网络训练。实验结果表明：该方法对红外热成像图像中头部裸露测温区域的平均检测精度达到88.6%，平均分割精度达到86.5%，平均处理速度达到33.5 fps，在评价指标上优于大多数先进的实例分割方法。

轻量级神经网络部署在低功耗平台上的解决方案可有效用于无人机(UAV)检测、自动驾驶等人工智能(AI)、物联网(IOT)领域，但在资源有限情况下，同时兼顾高精度和低延时来构建深度神经网络(DNN)加速器是非常有挑战性的。该文针对此问题提出一系列高效的硬件优化策略，包括构建可堆叠共享计算引擎(PE)以平衡不同卷积中数据重用和内存访问模式的不一致；提出了可调的循环次数和通道增强方法，有效扩展加速器与外部存储器之间的访问带宽，提高DNN浅层网络计算效率；优化了预加载工作流，从整体上提高了异构系统的并行度。经Xilinx Ultra96 V2板卡验证，该文的硬件优化策略有效地改进了iSmart3-SkyNet和SkrSkr-SkyNet类的DNN加速芯片设计。结果显示，优化后的加速器每秒处理78.576帧图像，每幅图像的功耗为0.068 J。

云时代，云应用程序编程接口(API)是服务交付、能力复制和数据输出的最佳载体。然而，云API在开放服务和数据的同时，增加了暴露面和攻击面，攻击者通过数据劫持和流量分析等技术获取目标云API的关键资源，能够识别用户的身份和行为，甚至直接造成背后系统的瘫痪。当前，针对云API的攻击类型繁多，威胁与防护方法各异，缺乏对现有攻击和防护方法的系统总结。该文梳理了云API安全研究中云API面临的威胁和防护方法，分析了云API的演化历程和类别划分；讨论了云API的脆弱性以及云API安全研究的重要性；提出了云API安全研究框架，涵盖身份验证、云API分布式拒绝服务(DDoS)攻击防护、重放攻击防护、中间人(MITM)攻击防护、注入攻击防护和敏感数据防护6个方面相关研究工作综述。在此基础上，探讨了增加人工智能(AI)防护的必要性。最后给出了云API防护的未来挑战和发展趋势。