针对听觉注意力检测方法忽视脑电信号频段特异性贡献的问题，提出时空频特征融合框架(SSF-ConvLSTM). 该框架系统评估$\delta $(1~4 Hz)、$\theta $(4~8 Hz)、$\alpha $(8~13 Hz)、$\beta $(13~30 Hz)和$\gamma $(30~50 Hz)频段的差异化贡献，从而实现关键频段的定量筛选与动态耦合建模. 通过脑地形图揭示不同频段神经活动的空间权重分布，筛选与目标语音编码密切相关的频段. 构建SSF-ConvLSTM模型，通过卷积层提取频带空间特征，并融合长短时记忆网络(LSTM)对注意力时变动态的建模能力，从而实现跨频段时空动态特征的联合解码. 在公开KUL和DTU数据集上进行算法验证，结果表明：随着频率不断增高，与听觉注意解码相关的额叶和颞叶权重在$ \alpha$频带达到峰值，随后至$\gamma $频带逐渐降低；在KUL数据集上，低频带$\alpha $在5 s决策窗口具有最优解码精确度93.38%，较基线模型提高了9.78个百分点；在DTU数据集上，$\alpha $频带解码精度较基线模型显著提高5.5个百分点. 本研究证实了频段特异性特征对AAD解码的关键作用，为开发基于特征优化的新型频段-时空耦合脑机接口提供了理论依据.

针对诱发隐性语音（无声/想象语音）的脑电信号特征复杂且数据获取困难的问题，提出多尺度注意力时序编码网络（MATE-Net）,利用相对丰富的显性语音数据训练模型，应用于隐性语音解码任务. 模型通过Inception多感受野模块提取多尺度特征；引入双向GRU结构有效捕获前后文依赖关系，增强对时序动态的表征能力；为了解决深层网络训练问题，加入残差连接机制，确保梯度在反向传播过程中的稳定性；引入多头注意力机制以有效捕捉局部与全局时序依赖，增强关键特征的表达. 实验结果表明，本模型在显性语音解码任务中展现出良好的性能表现. 在五折交叉验证中，测试集的平均准确率达到 74.30%，且 Spearman 相关系数和 Pearson 相关系数分别为 0.884 与 0.942. MATE-Net的预训练模型能够成功应用于无声语音及想象语音任务，实现语音频谱的有效重构.

针对如何在可重构智能表面(RIS)辅助通信感知一体化(ISAC)系统中有效提升系统容量的问题，提出RIS单元的不规则拓扑结构以及深度强化学习(DRL)算法. 采用模拟退火算法用于解决不规则RIS的拓扑优化问题，以提高在有限元件数量下的最优空间利用效率. 在感知波束图增益约束下，分别采用Adam优化器结合传统的梯度下降法与基于DRL的方法来解决最小化用户间干扰(MUI)的问题. 具体而言，DRL方案通过深度Q网络(DQN)与近端策略优化(PPO)这2种算法分别处理RIS的离散相移控制和ISAC的恒模波形设计. 仿真结果表明，基于DRL算法的不规则RIS辅助通感一体化系统的加权和速率(WSR)相较传统RIS方案提升了13.3%. DRL算法在抑制恒模波束能量泄漏方面具有更显著的优势，进一步验证了不规则RIS的拓扑设计和DRL算法在通感一体化系统中协同优化的可行性.