1. 泛在感知与复杂信号智能处理

面向真实工程环境中弱信号、强噪声、非平稳和低信噪比等问题，研究高可靠感知信号获取、降噪增强、特征表征与智能识别方法。重点关注声发射信号、局部放电信号、光纤传感信号等复杂感知数据，通过时频分析、Mel 特征建模、稀疏卷积核学习、注意力机制和多通道特征融合等方法，提升复杂场景下感知信息的可信获取与判别能力。

2. 装备健康监测与智能故障诊断

面向高端装备、能源电力设备和复杂工业系统的早期损伤识别需求，研究小样本、低信噪比和强干扰条件下的智能故障诊断方法。通过构建面向弱声发射信号的特征增强模型、双注意力诊断网络和面向局部放电检测的声学特征表征方法，实现对装备早期损伤、绝缘缺陷和运行异常状态的高可靠识别，为复杂工业场景下的状态监测与预测性维护提供技术支撑。

3. 复杂场景视觉感知与小目标检测

面向无人机、遥感、交通监测和工业巡检等场景中目标尺度小、背景复杂、遮挡严重和边缘细节易退化等问题，研究复杂场景下的小目标检测与视觉感知方法。重点开展边缘增强、多尺度特征融合、轻量化检测头、全局上下文建模和细粒度结构特征提取等研究，提升模型在复杂背景、低分辨率和资源受限条件下的检测精度与鲁棒性。

4. 情感计算与个性化人机交互

面向智能人机交互中情绪表达个体差异显著、表情模式复杂和语义理解不足等问题，研究个性化情感识别与智能交互方法。通过引入人格特征、心理学先验、全局—局部注意力融合和层次化特征建模，构建能够适应个体差异的情感计算模型，提升机器对人类情绪状态、行为特征和交互意图的理解能力。

5. 轻量化智能模型与边缘部署

面向无人机、嵌入式终端和边缘智能设备中计算资源有限、实时性要求高和部署成本受限等问题，研究高效、轻量、可部署的智能感知模型。重点关注轻量化网络结构设计、模型压缩、多尺度高效融合、注意力机制优化和端到端检测框架构建，在降低参数量和计算量的同时保持较高的识别与检测性能，支撑智能感知算法在真实系统中的落地应用。