针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题，提出一种结合注意力机制（Attention）与一维卷积神经网络（1DCNN）的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分：1）数据集预处理阶段，保留原始数据流中数据包间的空间关系，并根据样本分布构建成本敏感矩阵；2）在初步提取加密流量特征的基础上，利用Attention和1DCNN模型深入挖掘并压缩流量的全局与局部特征；3）针对数据不平衡这一挑战，通过结合成本敏感矩阵与交叉熵（CE）损失函数，显著提升少数类别样本的分类精度，进而优化模型的整体性能。实验结果表明，在BOT-IOT和TON-IOT数据集上该模型的整体识别准确率高达97%以上；并且该模型在公共数据集ISCX-VPN和USTC-TFC上表现优异，在不需要预训练的前提下，达到了与ET-BERT（Encrypted Traffic BERT）相近的性能；相较于PERT（Payload Encoding Representation from Transformer），该模型在ISCX-VPN数据集的应用类型检测中的F1分数提升了29.9个百分点。以上验证了该模型的有效性，为加密流量识别和恶意流量检测提供了解决方案。
现有的机器人抓取操作通常在良好光照条件下开展，此时目标细节清晰、区域对比度高，而在夜间、遮挡等弱光环境下目标的视觉特征微弱，会导致现有的机器人抓取检测模型的检测准确率急剧下降。为提高弱光场景下稀疏、微弱抓取特征的表征能力，提出一种融合视觉特征增强机制的抓取检测模型，通过视觉增强子任务为抓取检测施加特征增强约束。对于抓取检测模块，采用仿U-Net框架的编码器-解码器结构实现特征的高效融合；对于弱光增强模块，从局部、全局层面分别提取纹理、颜色信息，以实现兼顾目标细节与视觉效果的特征增强。此外，分别构建弱光Cornell数据集和弱光Jacquard数据集两个新的弱光抓取基准数据集，并基于上述数据集开展对比实验。实验结果表明，所提弱光抓取检测模型在基准数据集上的准确率分别达到了95.5%和87.4%，与生成抓取卷积神经网络（GG-CNN）、生成残差卷积神经网络（GR-ConvNet）等现有抓取检测模型相比，准确率在弱光Cornell数据集提升11.1、1.2个百分点，在弱光Jacquard数据集上提升5.5、5.0个百分点，取得了较好的抓取检测效果。
域自适应算法被广泛应用于跨库语音情感识别中；然而，许多域自适应算法在追求减小域差异的同时，丧失了目标域样本的鉴别性，导致其以高密度的形式存在于模型决策边界处，降低了模型的性能。基于此，提出一种基于决策边界优化域自适应（DBODA）的跨库语音情感识别方法。首先利用卷积神经网络进行特征处理，随后将特征送入最大化核范数及均值差异（MNMD）模块，在减小域间差异的同时，最大化目标域情感预测概率矩阵的核范数，从而提升目标域样本的鉴别性并优化决策边界。在以Berlin、eNTERFACE和CASIA语音库为基准库设立的六组跨库实验中，所提方法的平均识别精度领先于其他算法1.68~11.01个百分点，说明所提模型有效降低了决策边界的样本密度，提升了预测的准确性。
针对超分辨率复原技术中网络层数不断加深导致的网络训练困难、特征信息利用率低等问题，设计并实现了一种基于双注意力的信息蒸馏网络（IDN）的图像超分辨率复原算法。首先，利用IDN较低的计算复杂度及信息蒸馏模块提取更多特征的优势，通过引入残差注意力模块（RAM）并考虑图像通道之间的相互依赖性来自适应地重新调整特征权重，从而进一步提升图像高分辨率细节的重建能力；然后，设计了对于边缘信息敏感的新型混合损失函数对图像进行细化处理，以加速网络收敛。在Set5、Set14、BSD100和Urban100公共数据集上的测试结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于当前主流算法。
针对传统模糊支持向量机(FSVM)对于不确定性信息处理的局限性，提出一种基于模糊相似测量和高维空间模糊映射的改进模糊支持向量机方法。首先，构建不确定信息集的模糊相似测量函数, 从不确定性信息本质出发，利用Gregson相似度，构建具有模糊特征的相似测量函数；然后，根据空间映射理论，将模糊相似测量函数应用于FSVM，构建满足Mercer理论的FSVM相似内核；最后，利用该方法对旋转超声加工中材料切屑率(MRR)中的不确信性信息进行建模。对比具有传统内核的FSVM，所提方法能够利用较少的运算步骤完成较好的不确定性信息处理，有效提高不确定信息处理的准确性，且计算复杂度低。
针对H.264中UMHexagonS算法进行研究,提出了改进的快速运动估计算法。首先对UMHexagonS算法中的固定搜索窗口、非对称十字搜索、5×5的小矩形螺旋搜索、非均匀多层次六边形格点搜索和扩展的六边形搜索进行研究;然后提出了相应的减少搜索点数的优化算法,这些优化算法分别称作动态搜索窗口、自适应十字模型搜索、方向性的3×3小矩形搜索、基于预测方向的密集搜索和改进的扩展六边形搜索,这些优化算法形成了自适应模型方向搜索(APDS)算法。对各种类型的测试序列进行实验,与UMHexagonS算法相比,结果表明APDS算法在重建视频质量和码率基本相当的条件下,运动估计时间平均减少了29.64%,每形成一个运动矢量平均节省搜索了21.64个点数；
