中科院沈阳自动化研究所博士申请考核制主要考察申请者的学术潜力、研究基础与实践能力。笔试环节通常包含三部分：模式识别基础理论（如特征提取、图像分割算法原理）、智能系统设计（多模态融合、机器人路径规划）、科研综合应用（文献综述方法、实验设计）。例如2022年真题要求推导YOLOv5的损失函数权重分配策略，并分析其对小目标检测的影响。

面试分为技术面与综合面。技术问题常围绕申请人在研课题展开，如"请详细说明你提出的改进型SVM分类器在工业缺陷检测中的创新点"，需结合具体实验数据对比传统方法。综合面试注重科研思维培养，典型问题包括："如果研究计划中的关键传感器出现技术瓶颈，你会如何调整方案？"（要求展示问题转化能力）或"请评价IEEE TPAMI近三年顶刊关于视觉Transformer的三大技术分歧"（考察学术洞察力）。

研究计划评审重点在于创新性验证路径，需明确理论突破点（如提出新型注意力机制）、技术实现路线（仿真平台搭建时间表）、预期成果转化（专利布局规划）。2023年录取案例显示，成功申请者普遍具备：1）在CVPR/ICCV等顶会发表1篇一作论文；2）主持国家级大创项目并实现算法落地；3）掌握PyTorch+OpenCV全流程开发能力。

特别关注跨学科融合能力，近五年录取名单中32%申请者具有机械工程/控制科学复合背景。建议准备"多智能体系统在港口AGV调度中的应用"等交叉领域案例，展示系统级设计思维。考核组特别重视工程实践，曾现场测试面试者基于ROS2的无人机编队算法实时调试能力，要求在20分钟内完成通信协议优化并稳定输出±5cm定位精度。

建议提前研读导师近年发表的《IEEE Transactions on Industrial Informatics》系列论文，重点准备工业场景下的算法鲁棒性验证方案。模拟面试应着重体现"问题定义-方法论选择-实验验证"的逻辑闭环，如针对"金属表面缺陷检测"课题，需完整呈现：基于迁移学习的轻量化模型构建（解决数据不均衡）、多尺度特征金字塔设计（应对光照变化）、在线增量学习框架（适应产线环境漂移）的递进式解决方案。