随着信息技术的快速发展, 各领域的数据正以前所未有的速度产生并被广泛收集和存储, 如何实现数据的智能化处理从而利用数据中蕴含的有价值信息已成为理论和应用的研究热点.数据分类作为一种基础的数据处理方法, 已广泛应用于数据的智能化处理.传统分类方法通常假设数据类别分布均衡且错分代价相等, 然而, 现实中的数据通常具有不平衡特性, 即某一类的样本数量要小于其他类的样本数量, 且少数类具有更高错分代价.当利用传统的分类算法处理不平衡数据时, 由于多数类和少数类在数量上的倾斜, 以总体分类精度最大为目标会使得分类模型偏向于多数类而忽略少数类, 造成少数类的分类精度较低.如何针对不平衡数据分类问题设计分类算法, 同时保证不平衡数据中多数类与少数类的分类精度, 已成为机器学习领域的研究热点, 并相继出现了一系列优秀的不平衡数据分类方法.

针对于不同的任务，比如图像分类和自然语言理解，设计神经网络结构通常需要大量的结构工程和技能知识。因此，神经网络结构搜索（Neural Architecture Search,NAS)应运而生，其主要任务就是把人工设计神经网络结构的过程自动化。随着深度学习模型的愈发重要，人们对神经网络结构搜索的研究兴趣也越来越大。

为坚定落实“双碳”目标，“十四五”期间我国风电产业必须实现高质量跃升发展。预计到2025 年，我国新兴产业用电量占全社会用电量约20%。风力发电机作为复杂的机电设备安装分布广、所处地区偏远以及超高的运行高度等特性增加了其维护和保养的难。因此，为了降低风电机组运行风险和维护成本，保证风电机组安全、可靠和高效
的运行，开发风电机组的实时状态监测和故障预测系统势在必行。

利用具有互补特性的多种类型传感器来增强感知的‘传感器融合’已经成为一个新兴的研究方向。最近基于深度学习算法的发展显著提高了视觉-激光雷达融合算法的性能。视觉信号是以图像的形式呈现，卷积神经网络是图像处理效果最佳的深度学习方法之一。激光雷达点云数据是指在一个三维坐标系统中的一组向量集合，每一个点包含有三维坐标，有些可能含有颜色信息或反射强度信息等，常见的处理方法有基于体积表示、基于索引表示、基于二维视图表示、基于图形表示和基于点表示等。