针对当前基于深度学习的边缘检测技术产生的边缘线条杂乱且模糊等问题，提出了一种基于RCF的端到端的跨层融合多尺度特征的边缘检测（CFF）模型。该模型使用RCF作为基线，在主干网络中加入CBAM，采用具有平移不变性的下采样技术，并且去除了主干网络中的部分下采样操作，以保留图像的细节信息，同时使用扩张卷积技术增大模型感受野。此外，采用跨层融合特征图的方式，使得高低层特征能够充分融合。为了平衡各阶段损失和融合损失之间的关系，以及避免出现多尺度特征融合之后低层细节过度丢失的现象，对每个损失添加了一个权重。在伯克利分割数据集（BSDS500）和PASCAL VOL Context数据集上进行了训练，在测试时使用图像金字塔技术提高边缘图像的质量。实验结果表明，CFF模型提取的轮廓比基线网络更加清晰，能够解决边缘模糊问题。在BSDS500基准上进行的评估表明，该模型将最佳数据集规模（ODS）和最佳图像比例（OIS）指标分别提高到0.818和0.839。

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果，首先将直觉模糊粗糙集与多粒度粗糙集结合，提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷，因此通过引入参数的方式对所提模型进行改进，提出一种可变直觉模糊多粒度粗糙集模型，并证明了该模型的有效性，同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中，所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性，所提出的上近似分布约简算法比这些算法少了1~5个属性，同时约简结果的近似精度拥有了更为合理且优越的表现。因此，理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。

针对大数据环境下完整性查询时间代价消耗过高的问题,提出了一种采用近似完整性查询方法的系统——Probery。Probery所采用的近似完整性查询方法不同于传统的近似查询,其近似性主要体现为数据查全的可能性,是一种新型的数据查询方法。Probery首先将存入系统的数据划分为多个数据分段;然后,根据概率放置模型将各个数据分段的数据存储在分布式文件系统中;最后,对于给定的查询条件,Probery采用一种启发式查询方法进行概率查询。通过与其他主流的非关系型数据管理系统的查询性能进行比较,对Probery进行验证,Probery在损失8%查询完整性的情形下,查询时间较HBase相比节约了51%,较Cassandra相比节约了23%,较MongoDB相比节约了12%,较Hive相比节约了3%。实验结果表明,Probery可以适当地损失查询完整性来提高数据的查询性能,具有较好的通用性、适应性和可扩展性。

针对嵌入式系统中NAND设备存储密度较低的问题，提出一种高存储密度的新型设备管理方案。通过研究大量NAND存储结构和BCH校验编码设计，在页面中找到一种通用的信息存储结构模式。使得冗余区(OOD)编码满足错误纠正码(ECC)纠错能力的同时可容纳设备分区管理信息，从而将主页面全部用于数据存储，并以此为基础进行了设备读写、损益均衡机制的设计。实验结果表明，所提方案中NAND设备数据存储密度可达98%，优于当前多数主流文件系统。该方案具备很高的数据存储密度，设备读写效率和擦写寿命相对稳定，在嵌入式系统平台中具备很好的应用优势。

在分析IPSec协议数据处理基础上，提出采用嵌入式主处理器和协处理器分别处理IPSec协议中控制层面任务和数据层面任务的方案，并实现了一种基于S3C2510网络处理器和μCLinux操作系统的嵌入式IPSec VPN网关系统。

信息系统中,理想的应用程序结构应该是基于对象模型的,但是数据几乎总是保存在关系数据库中。永久对象管理器的位置处于对象模型和关系模型之间,它将应用程序的对象映射到关系数据库的表中,从而对应用程序开发者隐藏了下层的实现,简化了应用程序的开发。缓存机制是构成永久对象管理器的重要组成部分,它通过缓存最近被访问过的对象来减少对数据库的访问。文中分析了一个对象缓存机制的设计和实现,并通过测试证明引入该缓存机制可以极大地提高系统的性能。