Abstract The main objectives of this thesis are to synthesize macroscopic well-aligned multi-walled carbon nanotube films and, based on their electrical conductivity, porosity and structural uniformity, highlight potential applications for further development. In this thesis, catalytic chemical vapour deposition from ferrocene-xylene precursors is optimized to grow high quality films of long, aligned multi-walled carbon nanotubes on lithographically patterned templates in high (~800ºC) temperatures. The impacts of reaction time, temperature and precursor concentration on MWCNT film quality (film thickness, purity, density and nanotube diameter distribution) are studied. Because of the excellent control of growth selectivity and film thickness inherent to the method, several interesting applications, including solar cell and capacitor electrodes, contact brushes, coolers, particulate filters and catalyst membranes, have been developed for nanotube films in collaboration between Finnish and international research groups over the past few years. In this thesis, advanced capacitor electrodes with improved charge storage and efficient particulate filters are discussed in closer detail. As the high temperatures used for growing high quality carbon nanotubes often cause complications in cases where nanotubes need to be directly integrated with other materials, experiments were also conducted with the aim of making the growth temperature as low as possible. After testing several catalyst and precursor combinations, cobalt nanoparticles deposited on silica surfaces were found to form carbon nanotubes from vaporized cyclopentene oxide precursor already at 470°C. The results show that catalytic chemical vapour deposition is a feasible and versatile method that can be combined with photolithography to produce multi-walled carbon nanotube films with desired footprint area and thickness on various substrates. The demonstrated new applications and technical solutions are expected to contribute to further development leading to competitive practical devices based on carbon nanotubes. / Tiivistelmä Tämän väitöstyön päätavoitteina ovat makroskooppisten, yhdensuuntaisista moniseinämäisistä hiilinanoputkista koostuvien kalvojen valmistaminen ja sovellutusten esittäminen perustuen kalvojen sähkönjohtavuuteen, huokoisuuten ja rakenteelliseen yhdenmukaisuuteen. Katalyyttis-kemiallinen höyryfaasikasvatusmenetelmä on optimoitu korkealaatuisten, yhdensuuntaisista, pitkistä moniseinämäisistä hiilinanoputkista koostuvien kalvojen tuottamiseen korkeissa lämpötiloissa (~800ºC) fotolitografialla kuvioiduille kasvualustoille käyttäen ferroseeni/ksyleeni-lähtöainetta. Reaktioajan, lämpötilan ja lähtöainepitoisuuden vaikutusta nanoputkikalvon laatuun on tutkittu tarkastelemalla kalvon paksuutta, puhtautta, tiheyttä ja nanoputkien läpimittajakaumaa. Erinomaisen kasvuselektiivisyyden ja kalvon paksuuden kontrolloimisen ansiosta nanoputkikalvoja voidaan räätälöidä useisiin mielenkiintoisiin sovellutuksiin (esim. aurinkokennot ja kondensaattorin elektrodit, hiiliharjat, jäähdyttimet, partikkelisuodattimet ja katalyyttikalvot), joita olemme kehittäneet viime vuosina yhdessä suomalaisten ja kansainvälisten tutkimusryhmien kanssa. Tässä väitöstyössä on tarkasteltu lähemmin uudentyyppisiä kondensaattorielektrodeja, joilla on parantunut sähkövarauksen varastointikyky, sekä tehokkaita partikkelisuodattimia. Hiilinanoputkien kasvattaminen korkeissa lämpötiloissa aiheuttaa usein ongelmia integroitaessa nanoputkia toisiin materiaaleihin. Tästä johtuen tutkimuksessa pyrittiin saamaan nanoputkien kasvatuslämpötila mahdollisimman alhaiseksi testaamalla useita lähtöaine-katalyytti-kombinaatioita, joista koboltti-nanopartikkelit piidioksidin päällä ja syklopenteenioksidi lähtöaineena muodostivat hiilinanoputkia jo 470°C:ssa. Tulosten perusteella katalyyttis-kemiallinen höyryfaasikasvatusmenetelmä yhdistettynä fotolitografiaan on hyvin monipuolinen tapa tuottaa moniseinämäisiä hiilinanoputkia halutulla kuviolla ja kalvonpaksuudella erilaisille substraateille. Tässä väitöstyössä demonstroitujen uusien sovellutusten ja teknisten ratkaisujen odotetaan johtavan uusiin, hiilinanoputkiin perustuviin kilpailukykyisiin käytännön laitteisiin.

Cette thèse est consacrée à la restauration et l'estimation des paramètres par filtrage dans les modèles de chaîne de Markov cachée classique, couple et triplet à sauts Markoviens. Nous proposons deux nouvelles méthodes d'approximation dans le cas des systèmes linéaires gaussiens à sauts Markoviens. La première est fondée sur l'utilisation des chaînes de Markov cachées par du bruit à mémoire longue, on obtient alors une méthode " partiellement non supervisée" dans la quelle certains paramètres, peuvent être estimés en utilisant une version adaptative de l'algorithme EM ou ICE, les résultats obtenus sont encourageant et comparables avec les méthodes classiquement utilisées du type (Kalman/Particulaire). La deuxième exploite l'idée de ne garder à chaque instant que les trajectoires les plus probables; là aussi, on obtient une méthode très rapide donnant des résultats très intéressants. Nous proposons par la suite deux familles de modèles à sauts qui sont originaux. la première est très générale où le processus couple composé du processus d'intérêt et celui des observations conditionnellement aux sauts, est une chaîne de Markov cachée, et nous proposons une extension du filtrage particulaire à cette famille. La deuxième, est une sous famille de la première où le couple composé de la chaîne des sauts et le processus d'observations est Markovien dans ce dernier cas le filtrage optimal exact est possible avec une complexité linéaire dans le temps. L'utilisation de la deuxième famille en tant qu'approximation de la première est alors étudiée et les résultats exposés dans ce mémoire semblent très encourageants / This thesis is devoted to the restoration problem and the parameter estimation by filtering in the traditional hidden Markov chain model, couple and triplet with Markovian jumps. We propose two new approximate methods in the case of Gaussian linear systems with Markovian jumps. first is founded to use the hidden Markov chains by noise with long memory, we obtains a method " partially not supervised" some parameters, can be estimated by using an adaptive version of EM or ICE algorithm, the results obtained are encouraging and comparable with the methods used classically (Kalman/Particle). The second one exploits idea to keep at every moment only the most probable trajectories; we obtains a very fast method giving very interesting results. Then we propose two families of models to jumps which are original. The first one is very general where the process couples made up of the hidden and the observations process conditionally to the jumps, are a hidden Markov chain, and we propose an extension of particulate filtering to this family. The second is under family of the first, where the couple made up of the jumps and the observations process is Markovian, in this last case exact optimal filtering is possible with a linear complexity in time. Using of the second family to approach the first one is studied and the results exposed in this memory seem very encouraging