很多同学看澳门博士，第一反应还是“是不是门槛低一点”“是不是奖学金好拿一点”。说实话，澳门大学这几年在计算机、人工智能、智慧城市这些方向的研究积累并不弱，真正值得看的不是学校名字本身，而是导师的研究线索、博士项目训练方式，以及奖学金到底是不是竞争制。
今天这位是澳门大学科技学院计算机与信息科学系的周建涛教授。官方主页显示，他目前任澳门大学计算机与信息科学系教授，研究兴趣包括 Trustworthy AI、低层视觉、Multimedia Forensics and Security；他的教育经历里也有港科大电子与计算机工程博士、伊利诺伊大学厄巴纳-香槟分校 Fulbright Junior Scholar 经历。这个组合，对想写 AI、视觉、安全和可信模型相关 RP 的同学来说，确实值得认真读一遍。
01 项目是什么
本期对应的是澳门大学 Faculty of Science and Technology 下的 Doctor of Philosophy in Computer Science。系内页面对这个博士项目的定位很明确：训练学生识别实际计算机科学问题中的研究议题，设计有效解决方案，并发展计算机系统应用。换句话说，它不是只看你会不会写几段代码，而是看你能不能把一个真实问题拆成可研究、可验证、可发表的学术问题。
澳门大学研究生院页面也显示，2026/2027 学年博士及其他博士学位课程已经开放申请，并列有 PhD admission、奖学金与资助等入口。这里要提醒一句：官网开放申请，不等于某一位导师一定有名额；项目存在，不等于奖学金一定落到你身上。申博最怕的就是把“路径存在”误读成“结果确定”。
02 导师是谁
周建涛教授的公开研究兴趣里，Trustworthy AI 是最值得抓的词。很多同学写可信人工智能，会一上来写“模型可解释性、鲁棒性、公平性”，听起来很完整，但导师一看就知道你只是把综述里的大词搬过来了。真正要写进 RP 的，是你准备在哪类视觉或多媒体场景里验证可信性：是低层视觉恢复？是图像篡改检测？是多媒体取证？还是安全与隐私约束下的模型鲁棒性？
他的主页还列出过低层视觉、多媒体取证与安全等方向。这些方向的共同点是：只说“我对 AI 感兴趣”基本没用。你需要让导师看到三个东西：第一，你有图像处理、机器学习或深度学习基础；第二，你做过能落到数据和实验的项目；第三，你能把安全、可信、视觉质量或证据链这类问题讲成一个清晰的研究问题。
03 这个方向需要什么基础
如果你想往这个方向靠，比较理想的背景包括计算机、电子信息、软件工程、数据科学、人工智能、自动化或相关交叉方向。课程上，机器学习、深度学习、计算机视觉、数字图像处理、概率统计、优化方法会比较重要。项目经历上，有图像复原、目标检测、医学影像、多媒体安全、模型鲁棒性、对抗样本、隐私保护或可信评估经验，都可以作为材料里的证据。
但不要把简历写成技能清单。导师不是在找“会 Python 的学生”，而是在看你能不能把技术放进一个具体研究任务里。比如你做过图像增强，就要写清楚任务、数据、方法、指标和你真正负责的部分；如果只是跟着教程跑过模型，不建议包装成“独立科研”。
04 奖学金与学费
澳门大学的资助路径要分开看。UM PhD Scholarship 页面写明，申请全日制博士的学生需要在网申博士项目时同步提交 UMPS 申请，是否获奖由大学层面的遴选委员会最终决定；金额方面，UMPS 为获奖者提供每月 MOP20,000，最长可达 4 年，学费会在津贴发放前从每月津贴中抵扣。
UM Macao PhD Scholarship 页面也列有每月 MOP20,000、最长 4 年、以及每年最高 MOP10,000 的会议或研究相关差旅津贴，但页面同时注明该奖学金适用于 2022/2023 学年或以前获录取的学生。所以现在申请时，不能把旧路径直接当作当前新生可用路径。最稳妥的写法是：重点看 UMPS、UM PhD Assistantship 等当前页面，并在套磁或网申前确认本年度具体资助规则。
05 套磁第一段怎么写
建议不要第一句就问“老师您今年招博士吗”。更好的方式是先把研究理解放前面：你可以从导师主页中的 Trustworthy AI、低层视觉或多媒体取证切入，说明自己读到的一个具体问题，比如视觉生成内容越来越多后，图像真实性、篡改痕迹和模型鲁棒性之间如何同时评估。
第二段再放自己的匹配证据：你做过什么视觉任务、用过什么模型、处理过什么数据、有没有论文或课程项目。最后再礼貌询问是否有机会进一步了解课题组博士招生安排、资助边界和申请材料重点。这样写，比空泛地说“我对您的研究非常感兴趣”更像一次真正的学术沟通。
06 RP 可以从这几个问题切
方向一：面向低层视觉任务的可信恢复模型。研究问题可以聚焦在图像复原或增强过程中，模型如何同时保证视觉质量、结构一致性和可解释误差边界。方法上可考虑深度网络、退化建模、鲁棒评估指标和跨数据集验证。
方向二：多媒体取证中的生成内容检测。研究对象可以是 AI 生成图像或被编辑图像，问题是如何在复杂压缩、重采样和二次传播场景下保持检测稳定性。材料里需要写清数据来源、篡改类型、评价指标和对真实平台场景的适配。
方向三：面向安全风险的视觉模型鲁棒性评估。可以从对抗扰动、分布偏移或跨设备图像差异切入，研究模型在实际部署时的失效模式。这个选题适合有机器学习、图像处理和实验设计能力的申请人。
