李雪峰，工学博士，副教授、博士生导师，现任同济大学电子与信息工程学院控制科学与工程系教师，同时承担上海自主智能无人系统科学中心智能科学与技术交叉学科的博士生培养任务。长期围绕泛在感知与数智计算方向开展科研与人才培养工作，聚焦复杂工程系统与智能信息处理中的共性问题，强调从底层机理与方法论出发，培养学生面向复杂系统的科学思维、建模能力与系统化分析能力。曾入选厦门市“双百人才计划”。现任中国照明学会智能控制委员会委员、中国人工智能学会自然计算与数字智能城市专业委员会委员。

实验室的研究与实践训练紧密面向人工智能与数字经济、智能制造与新型工业化、智慧城市与新型信息基础设施、智能交通与复杂系统运行管理等快速发展的重点领域，培养过程中更加注重可迁移的底层能力结构，包括数学建模、数据理解、算法实现、系统分析与综合判断能力，而非局限于某一具体应用或工具。基于这样的培养路径，实验室毕业生形成了稳定而良好的发展格局，约八成左右进入国内外头部科技企业，同时也有部分学生选择继续深造、留校任教或进入科研机构，并在省市选调生和公务员等公共管理岗位中展现出扎实的综合素质与发展潜力。

（1）博士研究生徐梦迪等在低信噪比、小样本条件下声发射故障诊断方向取得重要进展

2026年2月，论文“Kernel-Enhanced Mel-Dual-Attention Model for Acoustic Emission Fault Diagnosis Under Low-SNR and Small-Sample Conditions”发表在国际期刊 IEEE Transactions on Instrumentation and Measurement（JCR Q1）。该研究针对声发射故障诊断中信号能量弱、噪声干扰强、样本规模小等难题，提出了一种核增强 Mel 双注意力模型 KMDA。该方法通过三阶段降噪策略、Mel 引导的稀疏卷积核学习机制以及双通道一致性—差异性融合模块，增强了弱声发射信号的判别特征表达能力，并提升了模型在低信噪比和小样本条件下的诊断稳定性与鲁棒性。实验结果表明，该方法在自建金属应力腐蚀开裂声发射实验平台数据集上取得了优于现有主流故障诊断方法的性能，为复杂工业场景下装备早期损伤识别与高可靠状态监测提供了新的技术支撑。李雪峰副教授为通讯作者。

（2）硕士研究生刘娜等在轻量化小目标检测与多维边缘增强方向取得重要进展

2026年4月，论文“EdgeEnhance-YOLO: A Lightweight Small Object Detection Model with Multi-Dimensional Edge Enhancement”被国际期刊 IEEE Transactions on Aerospace and Electronic Systems（JCR Q1）接收发表。该研究面向小目标检测中高频细节退化、复杂背景干扰、目标分辨率低等难题，提出了一种端到端多维边缘增强轻量化检测网络 EE-YOLO。该方法设计了边缘增强卷积模块、边缘增强多尺度特征融合框架和细节增强轻量化检测头，在模型参数量仅约 9.3M 的条件下，有效提升了小目标边缘结构特征提取、多尺度语义融合以及遮挡场景下的检测鲁棒性。实验结果表明，该方法在 VisDrone2019、TinyPerson 和 RS-STOD 数据集上均取得优于现有主流模型的检测性能，为无人机视觉感知、遥感小目标检测、智能交通监测与工业巡检等应用提供了高精度、轻量化的技术支撑。李雪峰副教授为通讯作者。

（3）硕士研究生樊安琪等在个性化面部表情识别与情感计算方向取得新进展

2026年4月，论文“PHFNet: A Personality-Guided Hierarchical Fusion Network for Facial Expression Recognition”发表在国际期刊 Biomedical Signal Processing and Control（JCR Q1）。该研究针对现有面部表情识别方法普遍忽略个体人格差异、难以适应个性化情绪表达模式等问题，提出了一种人格引导的层次化融合网络 PHFNet。该方法设计了人格—情绪融合机制与全局—局部注意力特征融合模块，引入人格特征与情绪表达之间的心理学先验关系，并融合全局语义信息与局部细粒度表情特征，有效提升了模型在复杂个体差异场景下的识别精度与鲁棒性。实验结果表明，该方法在 RAF-DB、FER-2013 和 JAFFE 数据集上分别取得 92.14%、73.18% 和 98.41% 的识别准确率，为情感计算、人机交互与个性化智能感知提供了新的方法支撑。李雪峰副教授为通讯作者。

（4）研究生单万坤等在无人机平台轻量化小目标检测方向取得新进展。

2026年5月，论文“LE-YOLO: Lightweight-Enhanced Tiny Object Detector for UAV Platforms”在 2026 29th International Conference on Computer Supported Cooperative Work in Design 学术会议进行了汇报。该研究面向无人机平台边缘部署中计算资源受限、小目标占比高、复杂空中场景下目标特征易退化等问题，提出了一种基于 YOLOv8 的轻量化增强小目标检测模型 LE-YOLO。该方法通过设计 GPC Bottleneck 轻量化结构、引入 Partial Self-Attention 模块增强全局上下文建模能力，并构建面向小目标检测的高效特征金字塔网络与轻量化检测头，在降低参数量和计算量的同时显著提升了无人机场景下的小目标检测精度。实验结果表明，该方法在 VisDrone2019 数据集上相较 YOLOv8-n 显著提升检测性能，并减少了模型参数量和计算开销，为无人机平台实时智能感知与边缘部署提供了高效技术支撑。李雪峰副教授为通讯作者。

（5）博士研究生徐梦迪等在局部放电声发射检测与特征表征方向取得新进展。

2026年5月，论文“Mel-Frequency Cepstral Coefficients for Partial Discharge Detection in Gas-Insulated Switchgear from Denoised Acoustic Emission Signals”正式被国际期刊 Electric Power Systems Research （JCR Q2）接受。该研究面向气体绝缘开关设备（GIS）局部放电检测中声发射信号噪声干扰强、特征难以有效提取、低信噪比下故障识别精度有限等难题，结合有限元仿真与光纤声发射传感实验，提出了基于小波阈值降噪与梅尔频率倒谱系数（MFCC）的声发射信号特征表征及局部放电识别方法。该方法通过带通滤波与小波阈值降噪重构声发射信号，挖掘降噪后信号的低频谱表征特性，构建 MFCC 特征提取流程，并结合 SVM、BPNN、MLP、Transformer 等多类模型开展分类识别，充分挖掘声发射信号与不同局部放电类型之间的关联特征。实验结果表明，所提方法最优平均识别准确率可达 99.58%，相较于现有主流局部放电检测方法具备更优的识别稳定性与泛化能力，为高压电力设备绝缘状态监测、局部放电精准诊断及复杂电磁环境下装备故障感知提供了新的方法与技术支撑。李雪峰副教授为通讯作者。