针对具有渐进最优性的快速扩展随机树（RRT ^*）算法在面对高维、复杂环境时所表现出的寻路效率低、收敛速度缓慢的问题，在RRT ^*的基础上，提出一种基于采样空间自调整的渐进最优快速扩展随机树（AS-RRT ^*）无人机（UAV）航迹规划算法。该算法可以自适应调整采样空间，进而引导树更为高效地生长，而这些主要通过有偏采样、节点筛选和节点学习这三种策略来实现。首先，在采样空间中定义向光和背光区域来进行有偏采样，而向光和背光区域的概率权重由当前扩展失败率决定，从而保证算法在搜索初始航迹时同时具有探索性和方向性；然后，在完成初始航迹的搜索后，算法就开始周期性地筛选节点，高质量的节点作为学习样本来产生新的抽样分布，质量最低的节点在算法达到最大节点数量后被新节点替代。在多种不同类型的环境下进行了对比仿真实验，结果表明所提算法在一定程度上改善了采样算法固有的随机性，而且相较于传统的RRT ^*算法，该算法在相同环境里使用了更少的寻路时间，在相同时间里生成了更低代价的航迹，且在三维空间里的改进更为明显。

根据语音信号的基音周期范围有限和周期相对稳定的特点，改进了可变长平均幅度差函数法(LVAMDF)，提出一种自适应幅度差法检测基音周期。它在语音非稳定段通过简单的谷值点评选机制，筛选当前谷值点以及历史谷值点，得到较精确的基音周期；在语音稳定段依据历史谷值点缩短语音段的比较范围，减少计算代价。还改进了浊音起止点检测算法，使浊音起止点的定位更精确。实验证明，该方法在不同的信噪比环境下有效地降低了半周期和倍周期点的发生率。