针对航拍场景中包含的目标尺寸小、有效特征信息少的问题，提出一种基于改进的变焦网络VFNet（VariFocalNet）的航拍场景中微小目标检测算法。首先，为增强微小目标的特征表征能力，采用特征提取性能更好的循环层聚合网络（RLANet）代替ResNet作为主干网络；其次，为解决特征金字塔自顶向下融合时顶层特征信息丢失问题，引入特征增强模块（FEM）；然后，为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题，改进的VFNet采用了基于高斯感受野的标签分配方法；最后，为减小微小目标对位置偏移的敏感性，引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明：改进后的VFNet算法的平均精度均值（mAP）达到了14.9%；与改进前的算法相比，在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

针对通用目标检测场景下，现有单阶段无锚检测器识别精度低、识别困难等问题，提出一种基于改进变焦网络VFNet（VarifocalNet）的高精度目标检测算法。首先，利用循环层聚合网络（RLANet）替换VFNet用于特征提取的主干网络ResNet，循环残差连接操作将前层特征汇入后续网络层中提升特征的表征能力；其次，通过带有特征对齐卷积操作的特征金字塔网络（FPN）替换原始的特征融合网络，利用可变形卷积操作在FPN上下层融合过程中实现特征对齐并优化特征表征能力；最后，使用聚焦-全局蒸馏（FGD）算法进一步提升小规模算法的检测性能。在COCO （Common Objects in Context） 2017数据集上进行的评估实验结果表明，在相同训练条件下，改进后的以RLANet-50为主干的算法的均值平均精度（mAP）可以达到45.9%，与VFNet算法相比提升了4.3个百分点，而改进后的算法参数量为36.67×10⁶，与VFNet相比仅高了4×10⁶。可见，改进后的VFNet算法在提升检测精度的同时稍微增加了参数量，说明该算法可以满足目标检测的轻量化及高精度需求。

多处理器系统互连网络的拓扑性质对系统功能的实现起着重要的作用。k元n方体网络的子网络可靠性是以k元n方体为拓扑结构构建的多处理器系统处理计算任务时需要考虑的一个重要因素。为了精确高效地度量概率故障条件下k元n方体中k元（n-1）方体子网络的可靠性，提出基于反向传播（BP）神经网络的k元（n-1）方体子网络可靠性的近似评估方法。首先，利用蒙特卡洛仿真方法和k元（n-1）方体子网络可靠性的已有上下界给出用于训练BP神经网络的数据集的生成方法；其次，基于生成的训练数据集构造用于评估k元（n-1）方体子网络可靠性的BP神经网络模型；最后，对BP神经网络模型得出的k元（n-1）方体子网络可靠性的近似评估结果进行了分析，并与近似计算公式和基于蒙特卡洛的评估方法的结果进行了对比。与近似计算公式相比，所提方法得出的结果更为精确；与基于蒙特卡洛的评估方法相比，所提方法的评估耗时平均减少了约59%。实验结果表明，所提方法在兼顾精度和效率方面具有一定优势。