针对不同马赫数下平板边界层转捩位置的预测问题，开展小样本条件下的高效预测方法研究。利用非线性抛物化稳定性方程生成大量流动转捩数据，以Ma=0.01的样本作为源域，Ma=0.1，0.2，0.4，0.8，1.6的样本作为目标域，系统分析不同马赫数对转捩图案的影响。基于卷积神经网络，构建流场图案与转捩位置的映射关系，并采用渐进式解冻结合分层学习率的迁移学习策略。结果表明，迁移学习显著优于直接训练：在Ma≤0.4时，仅需目标域1/10的样本即可实现平均绝对误差低于真实值均值的2.04%；在Ma≥0.8条件下，通过渐进式领域适应策略可将误差控制在6.19%以内。该方法有效提升了小样本条件下的转捩预测能力，为跨工况流动转捩预测提供了技术路径。

基于激光干涉落体型的绝对重力测量是建立重力测量基准的主要手段，也是当前使用的重力基准仪器。近年来，量子绝对重力测量技术的发展为建立更高精度的重力基准提供了新机遇。华中科技大学在国家发展改革委的支持下建设了“精密重力测量研究设施”（precision gravity measurement facility, PGMF）国家重大科技基础设施，该设施中的一个核心建设内容是建立微伽级的绝对重力测量基准站，为重力测量仪器和数据提供统一的基准参考，也是实现重力场高精度测量和应用的基础。高精度重力测量仪器是 PGMF 实现重力测量基准的核心设备。为此，PGMF自主研制了适用于台站测量的基准型量子绝对重力仪和用于基准延拓的小型化量子绝对重力仪，并建立了重力比对场及背景物理环境监测系统，最终建成了微伽级重力测量基准站。