针对样本数据严重不足、多模异构等问题以及高能耗比、可解释等要求，开展稀缺样本条件下多模态数据融合驱动的可解释高级机器学习理论与方法研究，对提升算法模型自身性能与学习能力、高效利用目标样本所蕴含的先验信息、样本协同感知与融合等方面展开研究，提升高级机器学习算法的样本容忍能力和环境适应能力，为降低高级机器学习算法的样本依赖提供理论与方法支持。

研究成果发表于IEEE Transactions on Instrumentation and Measurement和ACM MM，承担相关科研项目8项。