聚焦基于神经形态的触觉感知，构建触觉感知实验平台，研究基于脉冲神经网络的接触物体滑动检测方法. 使用GelStereo触觉传感器采集接触表面标记点位移场触觉信息流，采用2种方式（地址位移表示（ADR）和地址事件表示（AER））对位移场流进行脉冲编码. 基于脉冲响应模型(SRM)构建滑动检测网络，在英特尔神经形态硬件Loihi上完成了网络部署. 实验结果表明，基于地址位移表示的脉冲响应模型准确率达到94.8%，F1分数达到95.7%. Loihi模型（针对神经形态硬件Loihi实现的特化脉冲响应模型）准确率达到93.8%，F1分数达到94.8%. 所构建的脉冲神经网络在触觉滑动感知任务中实现了与人工神经网络（ANNs）相比拟的预测精度和更短的推理时间，在功耗上具有显著优势.

针对具有未知加性不确定性的约束线性系统，提出基于高斯过程回归学习的场景优化鲁棒模型预测控制算法. 在离线阶段使用高斯回归从经验数据中学习不确定性结构与参数，能够抽取大量随机场景. 在在线控制阶段中，求解抽取场景所构建的有限时域优化问题，将滚动优化得到的控制律作用于系统. 引入松弛变量保证优化问题的可行性，应用随机凸优化理论，证明所提算法使系统以一定的置信度满足松弛机会约束，收敛于终端域. 通过DC-DC转换器和网联车巡航控制仿真实验，验证了本文算法的有效性和优越性.

针对智能汽车在路径跟踪过程中因模型参数不确定性、外部干扰、系统状态时变性非线性等导致跟踪精度较低、鲁棒性较差的问题，设计基于鲁棒预测控制（RMPC）的路径跟踪控制方法. 考虑轮胎的非线性特性，对轮胎侧偏刚度进行修正. 考虑纵向车速时变性，利用有限个多胞体顶点描述车辆纵向车速，建立离散的车辆多胞不确定模型. 根据Lyapunov渐进稳定性和无穷时域二次型性能指标，采用带松弛变量的线性矩阵不等式（LMI），求解优化问题. 利用改进后的离线鲁棒预测控制算法，提高了控制器的实时性并降低了保守性. 通过Simulink-Carsim联合仿真和硬件在环试验，验证了控制器的有效性. 仿真结果表明，所设计的控制器具有较好的跟踪精度和鲁棒性.

为了解决车辆重识别算法受类内差异性与类间相似性的干扰无法充分表示车辆特征的问题，提出基于注意力机制和自适应损失权重的车辆重识别算法. 该算法采用改进的主干网络ResNet50_ibn，避免了颜色、光照、视角等客观因素的干扰，提取关于目标的不变性特征. 搭建基于注意力机制的组表示网络，融合特征间的相互依赖关系，从不同分组的特征表示中提取更加丰富的特征信息. 设计自适应损失权重计算损失函数，使用多损失函数策略对网络模型进行训练. 该算法在公开数据集VeRi776与VehicleID上的首位击中率和平均精度均值分别达到了96.0%、79.8%和81.5%、80.9%. 实验结果表明，利用该算法提取的特征更具判别性，综合性能优于现有的其他车辆重识别算法.

分析动态多层复杂网络时空演化过程中的网络节点重要性序结构，提出时序多层网络熵值结构洞节点重要性辨识模型. 分析时序网络节点局部信息熵的属性与节点全局K-shell信息集结偏好信息熵. 依据复杂网络结构洞系数，提出节点熵值结构洞节点重要性辨识模型. 时序化处理节点演化信息，提出节点重要性时序网络计算模型. 通过SIR模型检验节点传播效率，开展实证网络仿真. 本文的时序多层网络节点演化重要性排序结果与经典时序网络模型相比，Kendall值有了显著的提高.