课题组研究方向主要分为：
1. 神经网络架构搜索与计算智能
2. 工业互联网与边缘计算
3. 具身智能与大模型
4. 视觉检测与自然语言处理
方向1：神经网络架构搜索与计算智能 (多目标优化、大规模优化、数据驱动优化、神经架构搜索（NAS）、深度网络模型压缩与加速)；
成果：开展了大规模（高维）多目标优化方法及NAS应用研究，成果发表于IEEE Trans. on Computers (2023,2024，2025， CCF A类)， IEEE Trans. on Evolutionary Computation (2022，2023，2025), IEEE Trans. on Cybernetics (2021，2021); 提出了新型的神经网络轻量化模型以及混合精度量化方法，成果发表于AAAI， ICML, NeurIPS, ICCV等 CCF A类顶会; 设计了面向复杂工业优化场景的进化优化算法及多目标优化算法，能够高效处理带有强约束的工业生产调度问题，成果发表于IEEE Trans. on Cybernetics (2021), IEEE Trans. on Evolutionary Computation (2026).
研究小组1：7人（1名教师+2博士生+5硕士生）
方向2：工业互联网与边缘计算（云边协同资源分配、边缘智能、联邦学习优化）；
成果：开展了基于云-边-端协同的任务编排与资源分配机制研究，成果发表于 IEEE Trans. on Networking (2025,2025, CCF A类)，IEEE Trans. on Mobile Computing (2021,2023， CCF A类)、IEEE Trans. on Service Computing (2026，CCF A类); ,研究了联邦学习激励机制、联邦可持续学习、高效联邦训练等，成果发表于 IEEE Trans. on Networking (2026)， IEEE Trans. on Mobile Computing (2025，2026)，ICML 2026.
研究小组2：4人（1名教师+1博士生+2硕士生）
方向3：具身智能与大模型（具身智能大小脑系统、面向机械臂的工业具身智能控制系统、大模型微调、智能体协同、大模型RAG）；
成果：开展了面向工业机械臂的工业具身智能系统研发，已形成原型系统，可应用于物流、装配、生产等工业场景；研究视觉大模型微调技术，开发大模型智能体及RAG系统，可落地应用于先进制造、智慧矿山、数字医疗等领域。
研究小组3：4人（1名教师+1博士生+2硕士生）
方向4：视觉检测与自然语言处理（3D视觉异常检测、3D异常生成，多模态学习、知识表示，知识图谱）；
成果：本工作以计算机视觉与自然语言处理为两大基座技术，聚焦二者在智能工业应用中的深度融合。通过构建“视觉—语言”协同的智能认知系统，实现工业任务的智能化执行。成果发表在EEE TIP期刊I (CCF A类)及AAAI2025、CVPR2026、ACM MM2026等CCF A类顶级会议上。
研究小组4：6人（1名教师+1博士生+5硕士生）