无人机航拍图像中小目标存在像素占比低、易受复杂背景干扰且尺度变化大等问题，导致现有检测易出现漏检与精度不足的情况。为此，在YOLOv11算法的基础上提出了面向无人机航拍场景的YOLO11⁃RHO改进算法。首先，在骨干网络中引入带有频率先验初始化的重参数化卷积（Online Convolutional Re⁃parameterization，OREPA），利用空间频率选择性增强模型对高频边缘和纹理信息的表征能力；其次，采用RepNCSPELAN4_high模块优化梯度传递路径，构建梯度直达通路以减轻小目标特征在深层网络中的衰减；再次，在特征融合网络中集成HFFB分层特征融合块，结合空间与通道解耦的自适应注意力机制，强化小目标表征，实现多尺度信息对齐；最后，面向轻量与实时部署进行整体设计。在VisDrone2019数据集上的对比实验与消融实验结果表明，改进模型性能优异，mAP@0.5=0.401，mAP@0.50∶0.95=0.245；同时，保持了轻量化架构（参数量为6.22 M，计算量为15.1 GFLOPs），有效兼顾了高检测精度与边缘端实时运行的需求，满足了端侧实际部署的要求。
针对在多效应和非视距情况下定位精度低、稳定性差等问题，基于飞行时间定位算法，结合陈?泰勒（Chan?Taylor，C?T）协同定位算法，再融合无迹卡尔曼滤波（Unscented Kalman Filter，UKF）算法，设计了一种室内定位系统——陈?泰勒?无迹卡尔曼滤波（Chan?Taylor? Unscented Kalman Filter，C?T?UKF）组合定位算法。该系统主要由定位基站、定位标签、无线通信系统及上位机等组成；采用Chan算法，对通过飞行时间方法测出的距离进行解算，并将解出的坐标作为Taylor算法的初始值进行了迭代计算；通过UKF算法，对迭代的结果进行了平滑处理。结果表明，该算法定位系统精度高，稳定性强，成本低，在视距与非视距的平均定位误差分别小于0.17 m和0.20 m，能够适用于高精度定位场合。
针对无线传感网络中LEACH协议在进行簇头节点选择时能量消耗过快导致的生存周期短、数据吞吐量低等问题，提出了一种基于簇头节点能量均衡选择的LEACH优化算法。该算法选取WSNs中剩余能量高的普通节点作为簇头节点，同时考虑普通节点与簇头节点、簇头节点与基站之间的距离，以及所有节点的剩余能量和平均能量等因素来选择通信方式和传输路径。通过MATLAB工具，对提出的算法进行了仿真实验。结果表明，在100 m×100 m的小面积监测区域和200 m×200 m的大面积监测区域内，与LEACH、DEEC、IMP?LEACH算法相比，该算法降低了WSNs中节点的能量消耗，延长了生存周期，同时提高了数据吞吐量。
