当前人工智能研究非常火热，而深度学习技术是本轮人工智能崛起的关键技术之一。本实验室于2013年即开始了深度学习技术的研究，在神经信号采集、图像识别、视频增强、安防环保方面均取得了有代表性的成果。代表性项目为“基于深度学习和双目视觉的头部自由遥测式瞳孔计”，如下图所示。该瞳孔计可用来进行人眼追踪、瞳孔直径实时测量等。本瞳孔计结构简单、造价低廉、使用便捷。
脑科学和认知科学是当前国际重要科技前沿，受到各国研究人员广泛关注。全球各大科技强国纷纷对脑科学研究进行积极布局，力求抢占科技制高点。脑机接口作为连接大脑和外部设备的桥梁，日益受到各大研究机构的重视和重点攻关。本实验室自2013年起开始进行脑机接口技术研究，在算法设计、芯片设计、硬件实现、系统构建等方面取得了一系列成果，先后收到国家自然科学基金面上项目、天津大学北洋学者青年骨干教师人才项目支持，代表性成果为“基于压缩感知的大规模神经在体记录技术”，该项目的完成将建立起大规模无线在体神经记录理论体系，设计出先进的大规模无线在体神经记录硬件系统，为脑科学与认知科学研究提供重要的基础性工具，推动相关交叉科学核心技术的进步，为我国高端科研仪器的自主研发提供有力支撑。
压缩感知（Compressed sensing），也被称为压缩采样（Compressive sampling）或稀疏采样（Sparse sampling），是一种寻找欠定线性系统的稀疏解的技术。压缩感知被应用于电子工程尤其是信号处理中，用于获取和重构稀疏或可压缩的信号。这个方法利用信号稀疏的特性，相较于奈奎斯特理论，得以从较少的测量值还原出原来整个欲得知的信号。这一方法至少已经存在了四十年，由于David Donoho、Emmanuel Candès和陶哲轩的工作，最近这个领域有了长足的发展。近几年，为了因应即将来临的第五代移动通信系统，压缩感知技术也被大量应用在无线通信系统之中，获得了大量的关注以及研究。
压缩感知方向于2008年开始就在本实验室开展了研究，是本实验室的传统强项和主攻方向，在此方向已承担了国家自然科学基金青年项目1项，国家自然科学基金面向项目2项，发表论文20余篇。代表性项目为“基于压缩感知的建筑结构健康监测技术与系统”，本项目结合建筑结构健康监测（SHM）若干关键问题和技术，引入压缩感知（CS）和稀疏恢复（SR） 理论，发展基于CS的SHM新方法和新技术。本项目主要研究结构振动信号的稀疏表达、压缩感知编码器优化、压缩感知重建算法等方面内容。开发多通道压缩采样硬件系统，集成并检验信号恢复算法。研究成果将大幅度降低无线传感器网络的能耗；突破现有数据采集技术对高频信号数据采集的制约。本项目将极大地丰富和发展SHM技术，具有重要的科学价值和应用前景。
压缩感知方向另外一个代表项目为“基于压缩感知的复杂流场烟羽精确捕获研究”，面对日趋严重的城市突发环境污染问题，开展针对毒害气体泄漏的复杂流场烟羽捕获研究，对保障人民生命及财产安全，促进经济社会的和谐发展具有重大现实意义。由于当前气体传感器存在采样率瓶颈，导致烟羽捕获精度难以提高。为解决此难题，本项目拟研究基于空间耦合压缩感知的烟羽捕获方法，以达到降低采样率、提高捕获精确度的目的。本研究将为复杂流场中的烟羽精确捕获研究提供理论支持。研究成果在毒害气体泄漏监测、生化反恐/排爆等诸多方面有潜在应用。
