1、概念不同
通信与信息系统学科所研究的主要对象是以信息获取、信息传输与交换、信息网络、信息处理及信息控制等为主体的各类通信与信息系统。
信号与信息处理是一级学科信息与通信工程下设的二级学科。当前信息技术的核心学科，为通信、计算机应用、以及各类信息处理技术提供基础理论、基本方法、实用算法和实现方案。
2、目的不同
通信与信息系统培养具备通信系统和通信网等方面的知识，能在通信领域中从事研究、设计、制造、运营及在国民经济各部门和国防工业中从事开发、应用通信技术与设备的高级工程技术人才。
信号与信息处理探索信号的分析和合成方法，研究从信号中提取信息的基本途径及实用算法，发展各类信号和信息的编解码的新理论及技术，提高信号传输存储的有效性和可靠性。
3、就业前景不同
通信与信息系统专业在通信领域中从事研究、制造、运营及在国民经济各部门和国防工业中从事开发、应用通信技术与设备的高级工程技术。
信号与信息处理专业毕业生可从事电子与通信、金融、商贸等企业的信息技术管理及电脑软硬件研发工作。进入通信与信息技术科研机构和教学部门从事科研与教学工作，政府公务员等。
② 网络为什么用编码来输送信号
现在的局域网主要采用曼彻斯特编码
曼彻斯特编码（Manchester Encoding），也叫做相位编码（ Phase Encode，简写PE），是一个同步时钟编码技术，被物理层使用来编码一个同步位流的时钟和数据
它在以太网媒介系统中的应用属于数据通信中的两种位同步方法里的自同步法（另一种是外同步法），即接收方利用包含有同步信号的特殊编码从信号自身提取同步信号来锁定自己的时钟脉冲频率，达到同步目的
③ 通信与信息系统，信号与信号处理有什么区别
确切地说
Communication
and
Information
System和Information
and
Signal
Processing
两个的侧重点不一样
前者侧重通信的交互，例如0和1怎么编码（信道编码），还有MIMO等，以及通信网络架构，信道模型等等，侧重点在于交互，通信，而不在乎这信号的内容到底是什么，只负责将0~1准确的交付，所以往往还涉及调制，译码，交织，纠错等等。大致方向是通信原理的延伸。
后者是着重在信号的处理，在这个方向里面是不在乎信号时怎么交互，获取的，而是得到这个信号之后，该做些什么处理，例如图像信号有增强，滤噪，识别，压缩，编解码等等，声音信号也对应的方面，与医学结合的更加紧密，例如图像信号，医学中通过X片拍摄的图像什么的往往都需要做一些处理。，根据不同的信号使用不同的处理方式。还有一些变换的研究。使用领域比较广了，看这个信号是什么就涉及什么领域了。大致方向是离散时间信号处理的延伸
所以，打个比方就是这样的，例如现在的电话网络，前者注重中间的交互（运营商，中移动，中电信，中联通），而后者重在两端的处理（终端生产厂中的信源编码，滤波，均衡）。
呵呵多读一些IEEE中Communication
Society
和Signal
Processing
Society的文章就知道侧重点了。
大概就这些吧，前者是通信的交互，后者是着重在处理上。
前者不管信息代表什么，只需要准确的交付，只在乎0~1，还要考虑吞吐量，冗余量等系统层次的东西。
后者需要根据这些信息代表什么含义，然后通过一定的算法处理，增强，或者识别或者分类等等。着重在处理，因为有着东西不处理根本没发看或者听或者知道其内容。
当然，根据现在的LTE中OFDM，如果使用通信的方式，不同的数字使用不同的频率，那是没办法弄的，但可以使用信号处理的方式进行调制，利用正交性可以节省很多带宽，呵呵说白点就是一个DFT了。
不过国内很多大学两者都差不多，学的都差不多，不过有些细微差别吧。
信源编码处理是放在信息与信号处理，一般在这个大的方向下面会根据处理的信号不同划分，例如多媒体的两个：图像和声音信号，还有一些生物医学与图像的结合。地震信号，弱信号等等。另外一种分类是纯信号的研究，而不是区分信号种类，例如检测，估计，识别等。呵呵当年好像IEEE的SPS总结近十年发展最快的不是移动通信，是深空通信啊，这里面主要涉及弱信号的检测了，由于空间距离非常远，如何检测是一门大学问。
信道编码则是通信与信息系统，即调制解调（如何将0~1有效变成合适的信号进行发送以及接收），吞吐量，星座图，纠错，带宽。反正就是更加系统的层次了。
另外一个Society是Shannon的Information
Theory
Society。研究熵的，从熵的角度也可以推导出来很多类似的解决方案。
在通信与信号处理这个大方向上还有一个方向是电磁场与微波信号，这个就是负责天线，射频的事情了。但老外没有这个专业，因为人家认为麦克斯韦的五个方程一列，电磁场所有问题就Over了。
不过从国内就业上来说，由于目前运营商比较轻松，收入也比较高，所以很大一部分愿意去，从而通信与信息系统的就业会好些。
但对于需要信号处理的地方来说，后者更好，例如图像图形大公司（国外很发达的）。国内暂时没有。
关键还是要看兴趣吧，如果喜欢通信就是交互，如果喜欢处理，则是后者。
或者说如果
通信原理
理解深刻（不是考试成绩好），选前者。
如果
离散时间信号处理
理解深刻（不是考试成绩好），选后者。比如一张
芙蓉姐姐的照片可以经过若干步处理，最后变成美女
④ 信号处理技术有哪几种
信号转换与处理技术的作用是：在工业自动化控制系统中与各仪表配套使用，实现标准信号转为开关量，在一定条件下代替PLC的输出。
常见的信号转换与处理技术分类
模数转换：是一种能将模拟信号转变为数字信号的电子元件。通常是将信号采样并保持以后，再进行量化和编码，这两个过程是在转化的同时实现的。
模数转换一般要经过采样、保持和量化、编码这几个步骤。在实际电路中，有些过程是合并进行的，如采样和保持，量化和编码在转换过程中是同时实现的。
数模转换：是一种能够把连续的模拟信号转变为离散的数字信号的器件。经数字系统处理后的数字量，有时又要求再转换成模拟量以便实际使用，这种转换称为“数模转换”。
DAC主要由数字寄存器、模拟电子开关、位权网络、求和运算放大器和基准电压源（或恒流源）组成。用存于数字寄存器的数字量的各位数码，分别控制对应位的模拟电子开关，使数码为1 的位在位权网络上产生和其位权成正比的电流值，再由运算放大器对各电流值求和，并转换成电压值。
⑤ 在移动通信中采取哪些信号处理技术来改善接收信号的质量
移动信道的多径传播引起的瑞利衰落、时延扩展以及伴随接收机移动过程产生的多普勒频移使接收信号受到严重的衰落；阴影效应会使接收的信号过弱而造成通信的中断；信道存在的噪声和干扰，也会使接收信号失真而造成误码。因此，在移动通信中需要采取一些信号处理技术来改善接收信号的质量。分集接收技术、均衡技术、信道编码技术和扩频技术是最常见的信号处理技术，根据信道的实际情况，它们可以独立使用或联合使用。
分集接收的基本思想就是把接收到的多个衰落独立的信号加以处理，合理地利用这些信号的能量来改善接收信号的质量。分集通常用来减小在平坦性衰落信道上接收信号的衰落深度和衰落的持续时间。分集接收充分利用接收信号的能量，因此无需增加发射信号的功率而可以使接收信号得到改善。
信道编码的目的是为了尽量减小信道噪声或干扰的影响，是用来改善通信链路性能的技术。其基本思想是通过引入可控制的冗余比特，使信息序列的各码元和添加的冗余码元之间存在相关性。在接收端信道译码器根据这种相关性对接收到的序列进行检查，从中发现错误或进行纠错。对某种调制方式，在给的Eb/N0无法达到误码的要求时，信道编码就是唯一可行的方法。
当传输的信号带宽大于无线信道的相关带宽时，信号产生频率选择性衰落，接收信号就会产生失真，它在时域表现为接收信号的码间干扰。所谓信道均衡就是在接收端设计一个称之为均衡器的网络，以补偿信道引起的失真。这种失真是不能通过增加发射信号功率来减小的。由于移动信道的时变特性，均衡器的参数必须能跟踪信道特性的变化而自行调整，因此均衡器应当是自适应的。
随着移动通信的发展，所传输的数据速率越来越高，信号的带宽也远超出信道的相干带宽，采用传统的均衡技术难以保证信号传输的质量。多径衰落就成为妨碍高速数据传输的主要障碍。采用扩频技术极大地扩展了信息的传输带宽，可以把携带有同一信息的多径信号分离出来并加以利用，因此扩频技术具有频率分集和时间分集的特点。扩频技术是克服多径干扰的有效手段。它是的三代移动通信无线传输的主流技术。
⑥ 网络编码的简介
网络编码（Network Coding）:
传统的通信网络传送数据的方式是存储转发，即除了数据的发送节点和接收节点以外的节点只负责路由，而不对数据内容做任何处理，中间节点扮演着转发器的角色。长期以来，人们普遍认为在中间节点上对传输的数据进行加工不会产生任何收益，然而R Ahlswede等人[1]于2000年提出的网络编码理论彻底推翻了这种传统观点。
网络编码是一种融合了路由和编码的信息交换技术，它的核心思想是在网络中的各个节点上对各条信道上收到的信息进行线性或者非线性的处理，然后转发给下游节点，中间节点扮演着编码器或信号处理器的角色。根据图论中的最大流-最小割定理[2]，数据的发送方和接收方通信的最大速率不能超过双方之间的最大流值(或最小割值)，如果采用传统多播路由的方法，一般不能达到该上界。R Ahlswede等人以蝴蝶网络的研究为例，指出通过网络编码，可以达到多播路由传输的最大流界，提高了信息的传输效率，从而奠定了网络编码在现代网络通信研究领域的重要地位。
网络编码技术自七年前诞生以来，可以说基本上藏身于各大学和实验室中而鲜为人知。这是一种编码算法，支持者们声称它可以将现有的网络吞吐量提高一倍，同时还能改善网络的可靠性和防范攻击的能力。网络编码技术最热心的支持者们说，该技术将会引发网络的下一代革命；其他人则认为，网络编码技术更有可能会潜移默化地改变目前基于路由的网络架构。
⑦ 01信息网络及编码、交换技术 02信号检测及信息处理技术 03采样技术及数字信号处理 这三个方向怎么样哪个
数字技术的出现与应用为人类带来了深远的影响，人们如今已生活在一个几乎数字化的世界之中，而数字音频技术则称得上是应用最为广泛的数字技术之一，CD、 VCD等早已走进千家万户，数字化广播正在全球范围内逐步得到开展，正是这些与广大消费者密切相关的产品及应用成为了本文将要介绍的主题：数字音频压缩技术得以产生和发展的动力。
1、音频压缩技术的出现及早期应用
音频压缩技术指的是对原始数字音频信号流（PCM编码）运用适当的数字信号处理技术，在不损失有用信息量，或所引入损失可忽略的条件下，降低（压缩）其码率，也称为压缩编码。它必须具有相应的逆变换，称为解压缩或解码。音频信号在通过一个编解码系统后可能引入大量的噪声和一定的失真。
数字信号的优势是显而易见的，而它也有自身相应的缺点，即存储容量需求的增加及传输时信道容量要求的增加。以CD为例，其采样率为44.1KHz，量化精度为16比特，则1分钟的立体声音频信号需占约10M字节的存储容量，也就是说，一张CD唱盘的容量只有1小时左右。当然，在带宽高得多的数字视频领域这一问题就显得更加突出。是不是所有这些比特都是必需的呢？研究发现，直接采用PCM码流进行存储和传输存在非常大的冗余度。事实上，在无损的条件下对声音至少可进行4：1压缩，即只用25％的数字量保留所有的信息，而在视频领域压缩比甚至可以达到几百倍。因而，为利用有限的资源，压缩技术从一出现便受到广泛的重视。
对音频压缩技术的研究和应用由来已久，如A律、u律编码就是简单的准瞬时压扩技术，并在ISDN话音传输中得到应用。对语音信号的研究发展较早，也较为成熟，并已得到广泛应用，如自适应差分PCM（ADPCM）、线性预测编码（LPC）等技术。在广播领域，NICAM（Near Instantaneous Companded Audio Multiplex - 准瞬时压扩音频复用）等系统中都使用了音频压缩技术。
2、音频压缩算法的主要分类及典型代表
一般来讲，可以将音频压缩技术分为无损（lossless）压缩及有损（lossy）压缩两大类，而按照压缩方案的不同，又可将其划分为时域压缩、变换压缩、子带压缩，以及多种技术相互融合的混合压缩等等。各种不同的压缩技术，其算法的复杂程度（包括时间复杂度和空间复杂度）、音频质量、算法效率（即压缩比例），以及编解码延时等都有很大的不同。各种压缩技术的应用场合也因之而各不相同。
（1）时域压缩（或称为波形编码）技术是指直接针对音频PCM码流的样值进行处理，通过静音检测、非线性量化、差分等手段对码流进行压缩。此类压缩技术的共同特点是算法复杂度低，声音质量一般，压缩比小（CD音质 400kbps），编解码延时最短（相对其它技术）。此类压缩技术一般多用于语音压缩，低码率应用（源信号带宽小）的场合。时域压缩技术主要包括 G.711、ADPCM、LPC、CELP，以及在这些技术上发展起来的块压扩技术如NICAM、子带ADPCM（SB-ADPCM）技术如G.721、 G.722、Apt-X等。
（2）子带压缩技术是以子带编码理论为基础的一种编码方法。子带编码理论最早是由Crochiere等于1976年提出的。其基本思想是将信号分解为若干子频带内的分量之和，然后对各子带分量根据其不同的分布特性采取不同的压缩策略以降低码率。通常的子带压缩技术和下面介绍的变换压缩技术都是根据人对声音信号的感知模型（心理声学模型），通过对信号频谱的分析来决定子带样值或频域样值的量化阶数和其它参数选择的，因此又可称为感知型（Perceptual）压缩编码。这两种压缩方式相对时域压缩技术而言要复杂得多，同时编码效率、声音质量也大幅提高，编码延时相应增加。一般来讲，子带编码的复杂度要略低于变换编码，编码延时也相对较短。
由于在子带压缩技术中主要应用了心理声学中的声音掩蔽模型，因而在对信号进行压缩时引入了大量的量化噪声。然而，根据人类的听觉掩蔽曲线，在解码后，这些噪声被有用的声音信号掩蔽掉了，人耳无法察觉；同时由于子带分析的运用，各频带内的噪声将被限制在频带内，不会对其它频带的信号产生影响。因而在编码时各子带的量化阶数不同，采用了动态比特分配技术，这也正是此类技术压缩效率高的主要原因。在一定的码率条件下，此类技术可以达到“完全透明”的声音质量（EBU音质标准）。
子带压缩技术目前广泛应用于数字声音节目的存储与制作和数字化广播中。典型的代表有着名的MPEG-1层Ⅰ、层Ⅱ（MUSICAM），以及用于Philips DCC中的PASC（Precision Adaptive Subband Coding，精确自适应子带编码）等。
（3）变换压缩技术与子带压缩技术的不同之处在于该技术对一段音频数据进行“线性”的变换，对所获得的变换域参数进行量化、传输，而不是把信号分解为几个子频段。通常使用的变换有DFT、DCT（离散余弦变换）、MDCT等。根据信号的短时功率谱对变换域参数进行合理的动态比特分配可以使音频质量获得显着改善，而相应付出的代价则是计算复杂度的提高。
变换域压缩具有一些不完善之处，如块边界影响、预回响、低码率时声音质量严重下降等。然而随着技术的不断进步，这些缺陷正逐步被消除，同时在许多新的压缩编码技术中也大量采用了传统变换编码的某些技术。
有代表性的变换压缩编码技术有DolbyAC-2、ATT的ASPEC（Audio Spectral Perceptual Entropy Coding）、PAC（PerceptualAudioCoder）等。
3、音频压缩技术的标准化和MPEG-1
由于数字音频压缩技术具有广阔的应用范围和良好的市场前景，因而一些着名的研究机构和大公司都不遗余力地开发自己的专利技术和产品。这些音频压缩技术的标准化工作就显得十分重要。CCITT（现ITU-T）在语音信号压缩的标准化方面做了大量的工作，制订了如G.711、G.721、G.728等标准，并逐渐受到业界的认同。
在音频压缩标准化方面取得巨大成功的是MPEG-1音频（ISO/IEC11172-3）。在MPEG-1中，对音频压缩规定了三种模式，即层Ⅰ、层Ⅱ（即MUSICAM，又称MP2），层Ⅲ（又称MP3）。由于在制订标准时对许多压缩技术进行了认真的考察，并充分考虑了实际应用条件和算法的可实现性（复杂度），因而三种模式都得到了广泛的应用。VCD中使用的音频压缩方案就是MPEG-1层Ⅰ；而MUSICAM由于其适当的复杂程度和优秀的声音质量，在数字演播室、DAB、DVB等数字节目的制作、交换、存储、传送中得到广泛应用；MP3是在综合MUSICAM和ASPEC的优点的基础上提出的混合压缩技术，在当时的技术条件下，MP3的复杂度显得相对较高，编码不利于实时，但由于MP3在低码率条件下高水准的声音质量，使得它成为软解压及网络广播的宠儿。可以说，MPEG-1音频标准的制订方式决定了它的成功，这一思路甚至也影响到后面将要谈到的MPEG-2和MPEG-4音频标准的制订。
⑧ 各种编程语言的深度学习库整理大全！
各种编程语言的深度学习库整理大全！
Python1. Theano是一个python类库，用数组向量来定义和计算数学表达式。它使得在Python环境下编写深度学习算法变得简单。在它基础之上还搭建了许多类库。
1.Keras是一个简洁、高度模块化的神经网络库，它的设计参考了Torch，用Python语言编写，支持调用GPU和CPU优化后的Theano运算。
2.Pylearn2是一个集成大量深度学习常见模型和训练算法的库，如随机梯度下降等。它的功能库都是基于Theano之上。
3.Lasagne是一个搭建和训练神经网络的轻量级封装库，基于Theano。它遵循简洁化、透明化、模块化、实用化和专一化的原则。
4.Blocks也是一个基于Theano的帮助搭建神经网络的框架。
2. Caffe是深度学习的框架，它注重于代码的表达形式、运算速度以及模块化程度。它是由伯克利视觉和学习中心（Berkeley Vision and Learning Center, BVLC）以及社区成员共同开发。谷歌的DeepDream项目就是基于Caffe框架完成。这个框架是使用BSD许可证的C++库，并提供了Python调用接口。
3. nolearn囊括了大量的现有神经网络函数库的封装和抽象接口、大名鼎鼎的Lasagne以及一些机器学习的常用模块。
4. Genism也是一个用Python编写的深度学习小工具，采用高效的算法来处理大规模文本数据。
5. Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。它的特点是强大、灵活、直观，被认为是深度学习的灵活框架。
6. deepnet是基于GPU的深度学习算法函数库，使用Python语言开发，实现了前馈神经网络（FNN）、受限玻尔兹曼机（RBM）、深度信念网络（DBN）、自编码器（AE）、深度玻尔兹曼机（DBM）和卷积神经网络（CNN）等算法。
7. Hebel也是深度学习和神经网络的一个Python库，它通过pyCUDA控制支持CUDA的GPU加速。它实现了最重要的几类神经网络模型，提供了多种激活函数和模型训练方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是一个基于MShadow开发的快速、简洁的分布式深度学习框架。它是一个轻量级、易扩展的C++/CUDA神经网络工具箱，提供友好的Python/Matlab接口来进行训练和预测。
9. DeepPy是基于NumPy的深度学习框架。
10. DeepLearning是一个用C++和Python共同开发的深度学习函数库。
11. Neon是Nervana System 的深度学习框架，使用Python开发。
Matlab
1. ConvNet 卷积神经网络是一类深度学习分类算法，它可以从原始数据中自主学习有用的特征，通过调节权重值来实现。
2. DeepLearnToolBox是用于深度学习的Matlab/Octave工具箱，它包含深度信念网络（DBN）、栈式自编码器（stacked AE）、卷积神经网络（CNN）等算法。
3. cuda-convet是一套卷积神经网络（CNN）代码，也适用于前馈神经网络，使用C++/CUDA进行运算。它能对任意深度的多层神经网络建模。只要是有向无环图的网络结构都可以。训练过程采用反向传播算法（BP算法）。
4. MatConvNet是一个面向计算机视觉应用的卷积神经网络（CNN）Matlab工具箱。它简单高效，能够运行和学习最先进的机器学习算法。
CPP
1. eblearn是开源的机器学习C++封装库，由Yann LeCun主导的纽约大学机器学习实验室开发。它用基于能量的模型实现卷积神经网络，并提供可视化交互界面（GUI）、示例以及示范教程。
2. SINGA是Apache软件基金会支持的一个项目，它的设计目标是在现有系统上提供通用的分布式模型训练算法。
3. NVIDIA DIGITS是用于开发、训练和可视化深度神经网络的一套新系统。它把深度学习的强大功能用浏览器界面呈现出来，使得数据科学家和研究员可以实时地可视化神经网络行为，快速地设计出最适合数据的深度神经网络。
4. Intel? Deep Learning Framework提供了Intel?平台加速深度卷积神经网络的一个统一平台。
Java
1. N-Dimensional Arrays for Java (ND4J) 是JVM平台的科学计算函数库。它主要用于产品中，也就是说函数的设计需求是运算速度快、存储空间最省。
2. Deeplearning4j 是第一款商业级别的开源分布式深度学习类库，用Java和Scala编写。它的设计目的是为了在商业环境下使用，而不是作为一款研究工具。
3. Encog是一个机器学习的高级框架，涵盖支持向量机、人工神经网络、遗传编程、贝叶斯网络、隐马可夫模型等，也支持遗传算法。
JavaScript
1. Convnet.js 由JavaScript编写，是一个完全在浏览器内完成训练深度学习模型（主要是神经网络）的封装库。不需要其它软件，不需要编译器，不需要安装包，不需要GPU，甚至不费吹灰之力。
Lua
1. Torch是一款广泛适用于各种机器学习算法的科学计算框架。它使用容易，用快速的脚本语言LuaJit开发，底层是C/CUDA实现。Torch基于Lua编程语言。
Julia
1. Mocha是Julia的深度学习框架，受C++框架Caffe的启发。Mocha中通用随机梯度求解程序和通用模块的高效实现，可以用来训练深度/浅层（卷积）神经网络，可以通过（栈式）自编码器配合非监督式预训练（可选）完成。它的优势特性包括模块化结构、提供上层接口，可能还有速度、兼容性等更多特性。
Lisp
1. Lush(Lisp Universal Shell)是一种面向对象的编程语言，面向对大规模数值和图形应用感兴趣的广大研究员、实验员和工程师们。它拥有机器学习的函数库，其中包含丰富的深度学习库。
Haskell
1. DNNGraph是Haskell用于深度神经网络模型生成的领域特定语言（DSL）。
.NET
1. Accord.NET 是完全用C#编写的.NET机器学习框架，包括音频和图像处理的类库。它是产品级的完整框架，用于计算机视觉、计算机音频、信号处理和统计应用领域。
R
1. darch包可以用来生成多层神经网络（深度结构）。训练的方法包括了对比散度的预训练和众所周知的训练算法（如反向传播法或共轭梯度法）的细调。
2. deepnet实现了许多深度学习框架和神经网络算法，包括反向传播(BP)、受限玻尔兹曼机(RBM)、深度信念网络(DBP)、深度自编码器(Deep autoencoder)等等。
⑨ 现代信号处理技术在通信领域中有何作用
通信与信息系统专业与信号与信息处理专业的区别
通信与信息系统专业
（一）《移动通信与无线技术》 研究数字移动通信和个人通信系统的系统模拟、多址技术、数字调制解调技术、信道动态指配技术、同步技术、多用户检测技术、语音压缩技术、宽带多媒体技术以及射频技术。研究各种数字微波通信、移动通信和卫星通信系统以及WLAN、WMAN、ad-Roc网的组成、新技术及性能分析，并包括SDH技术和上述系统中常用的编码、调制和解调、同步与信令方式、多址以及网络安全等技术的研究与开发。
（二）《无线数据与移动计算网络》 研究无线数据通信广域网、无线局域网和个人区域网中的无线数字传输、媒质接入控制、无线资源管理、移动性管理、移动多媒体接入、无线接入Internet、移动IP、无线IP、移动计算网络等理论、协议、技术、实现以及基于移动计算网络的各种应用。本方向还研究现代移动通信中的智能技术（如智能天线、智能传输、智能化通信协议和智能网管系统等）。
（三）《IP和宽带网络技术》 研究宽带IP通信网的QoS、流量工程和合法侦听；VoIP的组网技术、通信协议和控制技术；下一代网络的软交换技术；SIP协议研究及应用开发；B3G核心网络技术；IP宽带接入和城域网中的关键设备和技术开发；多层交换技术、IP/ATM集成技术和MPLS技术；IP网络管理模型和技术实现；移动代理及其在IP通信网中的应用。
（四）《网络与应用技术》 研究宽带通信网的结构、接口、协议、网络仿真和设计技术；网络管理的管理模型、接口标准、网管系统的设计和开发；可编程网络的体系、软件和系统开发。
（五）《通信和信息系统中的信息安全》 研究与通信和信息系统中的信息安全有关的理论和技术，主要包括数据加密，密钥管理，数字签名与身份认证，网络安全，计算机安全，安全协议，隐形技术，智能卡安全等。重点在无线通信网的信息安全，根据OSI协议，从网络各层出发，研究安全解决方案，以达到可信、可控、可用。
信号与信息处理专业
（一）《现代通信中的智能信号处理技术》 本研究方向以现代信号处理为基础，研究提高通信与信息系统有效性和可靠性的各种智能处理技术及其在移动通信、多媒体通信、宽带接入和IP网中的应用。目前侧重于研究新一代无线通信网络中各种先进的智能信号处理技术，如通信信号盲分离、信道盲辨识与均衡、多载波调制、多用户检测、空-时联合处理、信源-信道编码，以及网络环境下的各种自适应技术等。
（二）《量子信息技术》 研究以量子态为信息载体的信息处理与传输技术，包括量子纠错编码、量子数据压缩、量子隐形传态、量子密码体系等关键技术与理论。它对实现新一代高性能计算机和超高速、超大容量通信信息系统具有极其重要的意义。
（三）《无线通信与信号处理技术》 本研究方向研究ad hoc自组织网络、传感器网络、超宽带（UWB）网络等新一代无线通信网络中的通信和信号处理技术，主要研究内容包括基于信号处理的多包接收和盲处理技术，基于粒子(particle)滤波的信道估计和均衡技术，基于信号处理的媒体接入控制技术，目标跟踪与信息融合技术以及网络协议体系等。
（四）《现代语音处理与通信技术》 语音是人类进行通信交往的最方便和快捷的手段，因而在各种现代通信网络和智能信号处理应用中起着十分重要的作用。本研究方向研究语音信号的数字压缩、识别、合成和增强技术，基于语音的智能化人机接口技术，面向IP网络的实时语音通信技术和信息隐藏技术，移动通信中的语音数字处理及传输技术，基于DSPs的软件无线电通信技术，以及各种网络环境下的音频、视频、数据、文字多媒体处理及通信技术。
（五）《现代信息理论与通信信号处理》 在现代信息理论的基础上，研究ATM和IP网、移动与个人通信、多媒体通信、宽带接入网中各种信号处理技术，如低时延、低比特率、高质量语音编码、图像编码，适用于第三代移动通信的纠错编码，高效多载波调制，各种自适应处理技术等；它们是确保实现二十一世纪通信发展的目标，提高通信有效性和可靠性的核心技术。本方向侧重于这些技术的应用基础研究。
（六）《图像处理与多媒体通信》 研究多媒体信息，特别是图像信息的处理、描述，应用系统和关键技术。包括：①图像和视频信号的处理及压缩编码算法研究，应用系统的设计和实现；②基于IP的视频传输技术和业务生成环境；③移动网及cable网上的数据与多媒体通信；④基于xDSL宽带接入网技术；⑤图像数据库及影像网络技术；⑥三维图像处理、建模、显示和分析技术。
（七）《信息网络与多媒体技术》 在进行信息网络及多媒体技术应用基础研究的同时，利用DSP、FPGA、CPLD等软硬件开发平台着重研究开发各种多媒体终端，包括①多媒体信息压缩编码，②信道编码（重点为纠错编解码），③视频点播（VOD）与交互电视，会议电视、远程教学/考试/医疗，④视频驱动系统，⑤视音频信号编码压缩算法研究及ASIC设计，⑥宽带网络的应用研究。
来源: http://www.kaoyansky.cn/viewthread.php?tid=487385&fromuid=0