东南大学智能科学与技术考博研究需要构建多维知识体系，重点围绕人工智能核心理论与技术展开系统性研究。在基础理论层面，需深入理解机器学习中的概率图模型与深度学习框架，掌握卷积神经网络（CNN）、循环神经网络（RNN）及Transformer架构的数学本质。以《深度学习》（Ian Goodfellow著）为理论基石，结合《Pattern Recognition and Machine Learning》（Christopher Bishop著）中的贝叶斯推断方法，建立从线性回归到图神经网络的完整知识链。

技术前沿方向应聚焦多模态融合与自主智能系统，重点关注东南大学在计算机视觉领域的研究特色。参考《计算机视觉：算法与应用》（David A. Forsyth著）中的特征提取理论，结合2023年CVPR顶会论文，分析视觉Transformer与自监督学习在医疗影像分析中的创新应用。同时需掌握联邦学习框架下的隐私保护技术，以《联邦学习：原理与系统》（Xinchen Li等著）为实践指南，研究其在工业物联网中的落地路径。

跨学科研究需突破传统AI边界，关注智能科学与神经科学的交叉领域。通过《神经科学中的计算模型》（Peter Dayan等著）建立脑机接口的理论认知，结合东南大学智能医疗研究院的最新成果，探索类脑计算在神经疾病诊断中的应用。在自然语言处理方向，应深入理解预训练语言模型原理，以《Speech and Language Processing》（Daniel Jurafsky等著）为基础，研究大语言模型在工程领域知识图谱构建中的优化策略。

研究方法层面需强化实证创新能力，掌握《科研方法与论文写作》（王伟等著）中的系统研究设计，重点培养算法改进与理论创新的双向思维。建议建立"理论推导-仿真验证-实验对比"的三级研究流程，参考IEEE Transactions on Intelligent Systems等权威期刊的论文结构，构建包含技术路线图、创新点矩阵、风险评估表的研究计划书。特别需关注东南大学在智能无人系统领域的专利布局，结合《人工智能伦理与治理》（Nils Postmus著）中的伦理约束框架，设计具有工程可行性的技术方案。

考博论文写作应注重学术贡献的提炼，通过文献计量分析（CiteSpace等工具）明确研究空白，采用TRIZ创新方法进行技术矛盾求解。在实验设计阶段，建议采用消融实验与对比实验相结合的方式，重点验证模型在鲁棒性、可解释性等维度的提升效果。最后，需系统梳理人工智能与东南大学"智能+"学科建设的契合点，在研究计划中体现对学校"智慧医疗""智能建造"等战略方向的支撑作用。