针对基于多张曝光图像序列的高动态范围（HDR）成像任务在相机抖动或拍摄主体移动时出现运动伪影以及曝光失真的问题，提出一个用于动态场景HDR成像的局部熵引导的双分支网络。首先，利用离散小波变换（DWT）分离出输入图像的低频光照相关信息以及高频运动相关信息，以便于网络有针对性地处理曝光以及主体移动；其次，对于低频光照相关信息分支，设计一个利用图像局部熵计算注意力的模块来引导网络减少细节不足的曝光特征的提取；对于高频运动相关信息分支，引入一个轻量级的特征对齐模块来进行场景的一致性对齐，从而减少运动特征的提取；最后，结合通道注意力构建时域自注意力模块，从而加强曝光图像序列在时间域之间的相互依赖关系，以进一步提高结果质量。在公开数据集Kalantari、Sen、Tursun上进行评估。在Kalantari数据集上的实验结果表明，与最新的一些方法对比，所提网络以PSNR-l为42.20 dB的成绩取得第一，SSIM-l为0.988 9的成绩取得第三。结合其余数据集上的实验结果可知，所提网络可以有效减少曝光失真以及运动伪影，并生成细节多、视觉效果佳的图像。

针对最大频繁项目集挖掘算法(DMFIA)当候选项目集维数高而最大频繁项目集维数较低的情况下要产生大量的候选项目集的缺点,提出了一种改进的基于频繁模式树(FP-tree)结构的最大频繁项目集挖掘算法——FP-MFIA。该算法根据FP-tree的项目头表,采用自底向上的搜索策略逐层挖掘最大频繁项目集,从而加速每次对候选集计数的操作。在挖掘时根据每层的条件模式基产生维数较低的非频繁项目集,尽早对候选项目集进行剪枝和降维,可大量减少候选项目集的数量。同时在挖掘时充分利用最大频繁项集的性质,减少搜索空间。通过算法在不同支持度下挖掘时间的对比可知,算法FP-MFIA在最小支持度较低的情况下时间效率是DMFIA以及基于降维的最大频繁模式挖掘算法(BDRFI)的2倍以上,说明FP-MFIA在候选集维数较高的时候优势明显。