自动装船系统是智能化港口建设的重要组成部分，能够大幅降低港口作业成本，提高经济效益。舱口识别作为自动装船任务的首要环节，成功率和识别精度是后续任务顺利进行的重要保障。由于港口激光雷达的数目和角度等问题，采集所得船舶点云数据时常出现缺失；此外船舶舱口附近经常有大量物料堆积，会使采集到的点云数据无法准确表达舱口的几何信息。由于上述港口实际装船作业中时常出现的问题，显著降低了现有算法的识别成功率，对自动装船作业造成了不良影响，因此迫切需要提升在船舶点云中存在物料干扰或舱口数据缺失的情况下的舱口识别成功率。基于船舶结构特征与自动装船过程中采集的点云数据分析，提出了基于非完整点云法线滤波补偿的散货船舶舱口识别算法。在使用港口实际采集点云所制作的数据集上进行了实验验证，识别成功率和识别精度较Miao和Li的舱口识别算法相比均有提升。实验结果表明，所提算法既能对舱口内物料噪声进行滤除，又能对数据缺失部分进行补偿，能够有效提升舱口识别效果。

针对一般手势识别算法的参数量、计算量和精度难以平衡的问题，提出一种轻量化篮球裁判手势识别算法。该算法在YOLOV5s （You Only Look Once Version 5s）算法的基础上进行重构：首先，用Involution算子替代CSP1_1的卷积算子，以扩大上下文信息捕获范围并减少核冗余；其次，在C3模块后加入协同注意力（CA）机制，以得到更强的手势特征提取能力；然后，用轻量化内容感知上采样算子改进原始上采样模块，并将采样点集中在目标区域而忽略背景部分；最后，利用以SiLU作为激活函数的Ghost-Net进行轻量化剪枝。在自制的篮球裁判手势数据集上的实验结果表明，该轻量化篮球裁判手势识别算法的计算量、参数量和模型大小分别为3.3 GFLOPs、4.0×10⁶和8.5 MB，与YOLOV5s算法相比，分别减少了79%、44%和40%，mAP@0.5为91.7%，在分辨率为1 920×1 280的比赛视频上的检测帧率达到89.3 frame/s，证明该算法能满足低误差、高帧率和轻量化的要求。

针对现有的会话型推荐模型难以从简短的会话中捕获项目之间的依赖关系的问题，在考虑了复杂的项目交互和动态的用户兴趣变化后，提出了一种基于会话型推荐的改进胶囊网络（SR-ECN）模型。首先，利用图神经网络（GNN）处理会话序列数据，以得到每个项目嵌入向量；然后，利用胶囊网络的动态路由机制，从交互历史中聚合高级用户的偏好；此外，所提模型引入自注意力网络进一步考虑用户和项目的潜在信息，从而为用户推荐更合适的项目。实验结果表明，在Yoochoose数据集上，所提模型的召回率和平均倒数排名（MRR）均优于SR-GNN（Session-based Recommendation with GNN）、TAGNN（Target Attentive GNN）等所有对比模型，与基于无损边缘保留聚合和快捷图注意力的推荐（LESSR）模型相比，所提模型的召回率和MRR分别提升了0.92和0.45个百分点，验证了改进胶囊网络对用户兴趣偏好提取的有效性。