研究内容聚焦于解决实际环境中复杂、多变且往往缺乏充足标签数据的挑战。通过无监督表征学习技术，从海量的未标注数据中自动挖掘出有用的特征表示，进而实现对关键目标的高精度识别。针对如何利用海量未标注数据进行表征学习的问题，项目组提出自监督、少样本、高精度的关键目标识别框架。解决了未标注数据在实际真实场景下如何有效使用的难题，实现了关键目标识别精度的显著提升。相关成果陆续发表在Neural Networks 2025、T-MM 2024、T-GRS 2024、ESWA 2024、PRCV 2024、AAAI 2024。