如何将智能科技与医疗健康结合，在传统医学和现代医学的基础上创建更加高效的智慧医学，是一项意义重大的历史性任务。针对医学的科学性、人文性和社会性等复杂问题，集复杂性医学、跨学科医学和系统智能医学多个角度于一体，利用人工社会建模、计算实验分析、平行执行管控，提出平行医学的基本概念、框架和流程，力图建立将医学研究的小数据演化生成医学大数据，再凝练、验证形成医学深智能的医学数据智能生成过程。

大数据和人工智能的兴起推动了智能服务的蓬勃发展。然而由于数据管理和模型训练成本高昂，以及用户对时延和隐私等的需求愈加突出，基于现有的集中式网络架构难以实现整体网络的智能化。为此，提出了一种支持分布式机器学习的基于人工智能的雾无线接入网络（AI-FRAN）架构，并探讨了支撑该架构的基础理论，明确了充分利用雾无线接入网络（F-RAN）中通信资源、计算资源以及缓存资源的关键赋能技术。最后，讨论了AI-FRAN未来的发展机遇与挑战。

进化集成学习结合了集成学习和进化算法两方面的优势，并在机器学习、数据挖掘和模式识别等领域被广泛应用。首先对进化集成学习算法的理论基础、组成结构及分类情况进行了概述。然后根据进化算法在集成学习中的优化任务，从样本选择、特征选择、集成模型参数组合优化、集成模型结构优化以及集成模型融合策略优化几个方面对当前进化集成学习领域的一些代表性研究成果进行了详细的综述，并分析和总结了各种进化集成学习算法的特点。最后对现有的进化集成研究的优缺点进行探讨，并给出了未来的研究方向。

情感智能研究的一个重要目标是让机器对人的情绪进行实时、准确的判别，并在此基础上进行更加自然、友好的人机交互。情感脑机接口是一种对人的情绪进行识别和（或）调控的脑机接口，是目前实现情感智能的主要途径。阐述了情感脑机接口的基本概念、工作原理、研究现状、代表性应用和发展趋势，探讨了情感脑机接口在通用人工智能发展过程中所能发挥的作用以及情感脑机接口研究面临的挑战。

基于脑电的情绪状态解码大多将个体情绪看作相对稳定的状态，将脑电频域能量、通道间脑电相关性等稳态指标作为解码中使用的特征。基于近年来网络神经科学在脑区间动态功能连接分析中的新发展，设计并实现了功能连接微状态方法，将不同情绪状态下脑区间的动态功能连接模式聚集为具有代表性的微状态，提取微状态的覆盖比例、转移概率等时间动态过程指标作为特征，用于情绪状态解码。基于经典的脑电情绪公开数据集DEAP，动态功能连接微状态新特征在情绪的效价和唤醒两个维度上实现了均方误差分别为3.87±0.28和3.25±0.30的回归预测效力，优于传统频带能量特征的均方误差4.07±0.30（p=0.005）和3.41±0.31（p=0.064）。实验结果展示了基于脑电功能连接微状态的情绪状态解码可行性，并为进一步深入理解情绪的神经机制提供了启发。

在基于脑电信号的情感检测过程中，受被试间脑电信号的差异影响，传统的机器学习和深度学习方法不能很好地针对脑电数据建立通用的分类检测模型。针对此问题，将每个被试看作独立的域，建立针对脑电数据的多源域自适应的跨被试情感脑电识别模型，并在公开数据集上进行验证。验证结果表明，与单源域模型相比，提出的模型有更好的跨被试特征提取及分类能力。

面部表情识别是一种直接、有效的情绪识别模式。机器学习可以对图像表情进行形式化表征，但由于缺乏大脑的认知表征能力，在小样本数据集或复杂表情（伪装）数据集上的识别性能并不理想。针对此问题，将机器人工智能的形式化表征与人脑通用智能的情感认知能力结合，提出一种基于脑机协同智能的情绪识别方法。首先，从脑电图信号中提取脑电情感特征，以获取大脑对情绪的认知表征。其次，从情感图像中提取图像的视觉特征，以获取机器对情绪的形式化表征。为了增强机器模型的泛化能力，在特征学习中引入样本间的迁移适配。在得到图像视觉特征和脑电情感特征后，采用随机森林回归模型训练得到图像视觉特征与脑电情感特征之间的脑机映射关系。测试图像的图像视觉特征经过脑机映射关系产生虚拟脑电情感特征，然后将虚拟脑电情感特征与图像视觉特征进行融合，用于情绪识别。该方法已经在中国面孔表情图片系统上进行了验证，发现对7种情绪的平均识别准确率为88.51%，相比单纯基于图像的方法，提升了3%～5%。

近年来，脑电等生理信号由于能客观体现真实情绪已逐渐成为情绪识别研究的热门对象。然而，单模态的脑电信号存在情绪信息特征不完备问题，多模态生理信号存在情绪信息交互不充分问题。针对这些问题，提出基于3D分层卷积的多模态特征融合模型，旨在充分挖掘多模态交互关系，更准确地刻画情感信息。首先分别通过深度可分离卷积网络提取脑电、眼电和肌电3种模态的生理信号的多模态初级情绪特征信息，再对得到的多模态初级情绪特征信息进行3D卷积融合操作，实现两两模态间的局部交互以及所有模态间的全局交互，获取包含不同生理信号情绪特征的多模态融合特征。实验结果表明，提出的模型在DEAP数据集的效价、唤醒度的二分类和四分类任务中达到了98%的平均准确率。

脑机接口作为神经工程领域中活跃的研究方向，在生物医学、神经康复和智能机器人等领域具有重要的研究意义。基于脑机接口的人机共享控制技术结合了人和机器智能的自身特点，相较于直接控制的脑机接口控制技术有着诸多的优势。因此，从不同角度对基于非植入式的脑机接口的人机共享控制进行了分类和阐述，并对其未来研究方向和发展趋势进行了展望，以期为人机共享控制技术研究提供新的思路和方向。

磁共振（MR）是一种被广泛使用的医学成像方式。针对某些序列的 MR 影像不易直接获得、需要由其他序列的MR影像转换的问题，提出一种基于细节增强的MR序列转换方法。该方法基于条件生成对抗网络构建了残差模板合成模块 ResGAN和细节增强合成模块 EnGAN，设计了一种端到端的网络结构。在一组配准过的神经纤维瘤T1序列影像和STIR序列影像上进行了测试，结果表明，相比于现有方法，提出的方法更好地还原了边界细节和信号强度细节。

从信息时代到大数据时代，信息化指挥控制向智能指挥控制发展已成为趋势。针对大数据时代智能指挥控制发展面临的挑战，提出了“智能心源”和大数据“智能算法高架”两个新概念。在此基础上，提出大数据智能决策网，进而构建大数据智能指挥控制概念模型；通过模型分析，揭示智能指挥控制的内在机理。最后，以“智能仿真引擎”为依托，通过一个简化的模型仿真设计，说明该模型的可行性。

光场是环境中光线的集合，对光场信息的采集、计算以及显示是极具挑战性的复杂问题。基于 ACP 的平行光场理论为解决此问题提供了一条新的有效途径。平行光场利用采集得到的实际物理世界的光场信息构建了增强的人工世界的光场，并且以采集得到的实际物理世界的光场信息为引导，在增强的人工世界的光场中进行光场实验，得到最优的光场采集方案或者显示虚实方案，最后通过平行执行的过程建立起物理世界的光场和人工世界的光场的联动优化，使整个系统成为闭环，实现智能的光场采集和显示，建立光场信息处理和应用的虚实结合的全新理论体系。