折扣｛0-1｝背包问题（D｛0-1｝KP）的目的是在不超过背包载重的前提下，使得装入背包的所有物品价值系数之和为最大。针对已有算法在求解规模大、复杂度高的D｛0-1｝KP时的求解精度低的问题，提出了Lagrange插值的学习猴群算法（LSTMA）。首先，在基本猴群算法的望过程中重新定义了视野长度；其次，在跳过程中引入了种群中最优的个体作为第二个支点，并调整搜索机制；最后，在跳过程之后引入Lagrange插值操作来提高算法的搜索性能。对四类实例的仿真结果表明：LSTMA在求解D｛0-1｝KP时的求解精度高于对比算法，并且具有良好的鲁棒性。

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。

针对传统安卓恶意程序检测技术检测准确率低，对采用了重打包和代码混淆等技术的安卓恶意程序无法成功识别等问题，设计并实现了DeepDroid算法。首先，提取安卓应用程序的静态特征和动态特征，结合静态特征和动态特征生成应用程序的特征向量；然后，使用深度学习算法中的深度置信网络（DBN）对收集到的训练集进行训练，生成深度学习网络；最后，利用生成的深度学习网络对待测安卓应用程序进行检测。实验结果表明，在使用相同测试集的情况下，DeepDroid算法的正确率比支持向量机（SVM）算法高出3.96个百分点，比朴素贝叶斯（Naive Bayes）算法高出12.16个百分点，比 K最邻近（ KNN）算法高出13.62个百分点。DeepDroid算法结合了安卓应用程序的静态特征和动态特征，采用了动态检测和静态检测相结合的检测方法，弥补了静态检测代码覆盖率不足和动态检测误报率高的缺点，在特征识别的部分采用DBN算法使得网络训练速度得到保证的同时还有很高的检测正确率。

针对目前对SNAKE算法的安全性分析主要是插值攻击及不可能差分攻击，评估了SNAKE(2)算法对积分攻击的抵抗能力。利用高阶积分的思想，构造了一个8轮区分器，利用该区分器，对SNAKE(2)算法进行了9轮、10轮积分攻击。攻击结果表明，SNAKE(2)算法对10轮积分攻击是不免疫的。