知识蒸馏在图像分类等任务中是最有效的模型压缩方法之一，然而它在复杂任务如目标检测上的应用较少。现有的知识蒸馏方法主要专注于构建信息图，以过滤教师和学生在特征提取过程中来自前景或背景区域的噪声，最小化特征之间的均方差损失；然而，这些方法的目标函数难以进一步优化，且只利用教师的监督信号，导致学生缺乏对非正确知识的针对性信息。基于此，提出一种面向目标检测的对比知识蒸馏（CKD）方法。该方法重新设计蒸馏框架和损失函数，不仅使用教师的监督信号，而且利用构造的负样本提供指导信息进行知识蒸馏，让学生在获得教师的知识的同时通过自我学习获取更多知识。在Pascal VOC和COCO2014数据集上，使用GFocal（Generalized Focal loss）和YOLOv5模型将所提方法与基线方法对比的实验结果表明：CKD方法在Pascal VOC数据集上使用GFocal模型的平均精度均值（mAP）提升5.6个百分点，平均精度（阈值为0.5）AP50提升5.6个百分点；在COCO2014数据集上使用YOLOv5模型的mAP提升1.1个百分点，AP50提升1.7个百分点。

由于港口交通流量具有随机不确定性、时间不平稳特征，因此港口交通流量的精准预测是一项具有挑战性的任务。为了提高港口交通流量预测精度，考虑气象条件和港口相邻高速公路开闭状态等外部干扰因素，提出了一种基于知识图谱和时空扩散图卷积网络的港口交通流量预测算法KG-DGCN-GRU。知识图谱表示港口交通网络相关因素，知识表示方法从港口知识图谱中学习各外部因素的语义信息，扩散图卷积网络（DGCN）和门控循环单元（GRU）能有效挖掘港口交通流量的时空依赖特征。基于天津港交通数据集的实验结果表明，KG-DGCN-GRU能通过知识图谱和扩散图卷积有效提高预测精度，在单步预测（15 min）中与时间图卷积网络（T-GCN）和扩散卷积递归神经网络（DCRNN）相比，均方根误差（RMSE）分别降低了4.85%和7.04%，平均绝对误差（MAE）分别降低了5.80%和8.17%。

大气能见度不仅影响海路空交通运输和居民出行，而且是空气质量检测的主要指标。现有基于图像处理的能见度评测方法存在采用固定公式计算、稳定性差、对适用环境要求苛刻等问题。能见度监督学习测量方法直接从观测场景图像中提取空域边缘相关特征与频域能量分布特征构成高维特征向量，无需人工设立目标物或对观测场景建模。它通过k最近邻(kNN)选取与待测图像相似样本进行支持向量回归机(SVR)的训练，动态构建图像特征与能见度之间的学习模型，将各种能见度影响因子隐藏于模型内。对自然场景的测量实验结果表明，该方法的测量正确率最高可达96.29%，且具有良好的稳定性和实时性，操作简单，便于大规模推广。