针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题，根据SAR信号的特点，提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入，利用卷积神经网络的自主学习和模式识别能力，避免了传统方法的人为影响因素，能够学习原始信号更具有代表性的特征，最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时，参考了现有性能较优的卷积神经网络，根据网络训练过程中准确率和损失值的反馈，调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明，该模型相较于传统反演方法具有更高的识别准确率，同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.

考虑状态更新系统中传感器节点要尽可能及时地将随机生成的状态更新传送给基站，以信息年龄（AoI）作为时间新度量，同时引入平均保密年龄和保密年龄中断概率的性能指标，保证系统的通信安全性. 采用实用的截断自动重复请求（TARQ）方案，传感器节点持续传输不断更新当前状态，直到达到允许的最大传输次数或生成新的状态更新. 推导出平均AoI、平均峰值AoI的闭合形式表达式，以及平均能耗的表达式，通过优化物联网(IoT)设备的传输功率和平均传输功率约束下的最大允许传输次数来最小化平均AoI，实现系统的信息年龄-能量权衡. 仿真结果表明，在相同的平均传输功率约束下，采用的TARQ方案比允许无限次重传的经典自动重复请求（ARQ）方案的平均AoI更低，性能更好.

针对现有人体追踪系统追踪误差大、硬件部署对环境改变大和用户佩戴设备不方便等问题，提出基于择优标签的无设备人体追踪方法. 采集人体在不同位置上的射频(RF)功率信号，分析人体所在位置与功率信号之间的关系. 为了减缓信号不稳定性对系统的影响，提取射频功率信号的特征作为模型训练的数据集. 利用信号特征建立不同的深度学习模型，对比不同训练方式下的追踪效果和标签用量，选择合适的模型结构和训练方式. 分析实验结果，给出普适性意见和最优标签选择方法的具体步骤.实验表明，基于择优标签方法的定位系统是可行的，其中跟踪误差为0.19 m，与表现较好的WallSense系统相比，跟踪误差降低约5 cm，标签量降低66.7%. 基于择优标签方法的定位系统明显降低了标签部署对环境的影响，在保证精度的情况下，减少了标签冗余.

根据能量采集应用于标签的特点，在能量采集模块与标签模块之间添加监测电路，并在高低2个阈值设置的基础上，提出能量采集与标签协同工作策略，低阈值选取原则是保证储能模块的储能能够保证标签一次广播，最大限度地防止标签进入掉电状态. 从标签设计目标要求的广播间隔与功率出发，根据环境中能够采集到的能量大小与标签不同状态下所需能耗的变化，推导出储能电容最优值、环境中应具备的射频(RF)输入功率最小值与最优值. 利用P2110B与CC2640R2F芯片设计了一个基于射频采集的标签进行验证，测试结果表明：采取该方法设计的能量采集标签可以实现能量采集模块和标签模块协同工作，当射频输入功率大于最优值时，标签能够进行持续的“休眠 ? 广播”循环工作，有效地防止标签陷入“能量死锁”，并可自适应地在不同工作状态下转换.