近些年，水声通信网络在水下信息传输方面发挥了至关重要的作用。水下通信信道具有开放性，更易遭受干扰、欺骗和窃听等攻击，因此水声通信网络面临与传统网络不同的安全挑战。然而，传统的异常检测方法直接用于水声网络时的准确率较低，而基于机器学习的异常检测方法虽然提高了准确率，但面临数据集受限、模型可解释性较差等问题。因此，将融合注意力机制的CNN-BiLSTM用于水声网络下的异常攻击检测，并提出WCBA（underWater CNN-BiLSTM-Attention）模型。该模型通过IG-PCA（Integrated Gradient-Principal Component Analysis）特征选择算法有效降低数据集的高维度，并能充分利用多维矩阵水声通信网络流量的时空特征在复杂水声数据中识别异常攻击。实验结果表明，WCBA模型在数据集受限的情况下，相较于其他神经网络模型提供了更高的准确率，并具有较高可解释性。

三支概念分析是人工智能领域一个非常重要的研究方向，该理论最大的优势是可以同时研究形式背景中对象“共同具有”和“共同不具有”的属性。众所周知，经过属性聚类生成的新形式背景与原形式背景具有较强的联系，同时原三支概念与经过属性聚类得到的新三支概念也存在紧密的内在联系。为此，进行属性聚类下三支概念的对比研究和分析。首先基于属性聚类提出悲观属性聚类、乐观属性聚类以及一般属性聚类的概念，并研究了这三种属性聚类的关系；然后，通过对比聚类过程与三支概念形成的过程，研究了原三支概念与新三支概念的区别，分别从面向对象和面向属性的角度提出两个最低约束指数，探索了属性聚类对三支概念格的影响，进一步丰富了三支概念分析理论，为可视化数据处理领域提供了可行的思路。

借助区块链等新兴技术，加密数字货币呈现去中心化、自治化、跨界化的特点。研究加密数字货币的监管技术不仅有助于打击基于加密数字货币的犯罪活动，而且可以为区块链技术在其他领域的扩展提供可行的监管方案。首先，基于加密数字货币的应用特点，定义并阐述了加密数字货币产生、兑换和流通（GEC）周期理论；其次，详细分析了国内外频发的基于加密数字货币的犯罪事件，并重点介绍了加密数字货币在每个周期中的安全监管技术的研究现状；最后，总结了加密数字货币的监管平台生态体系以及监管技术现在面临的挑战，并展望了未来加密数字货币监管的研究方向。

为了增强云数据存储的完整性和安全性，在无线传感器网络（WSN）中，提出一种基于混合算法区块链的数据存储方案，以及一种集成身份验证和隐私保护的去中心化框架。首先，簇头将采集到的信息传递至基站，而基站在分布式区块链上记录所有关键参数，并传递至云端存储。然后，为了获得更高的安全等级，合并椭圆曲线加密（ECC）的160位密钥与高级加密标准（AES）的128位密钥，并在云存储层之间进行密钥对交换。基于混合算法的区块链结合身份验证方案可以很好地保证云数据的安全性存储，因此所提方案在安全性方面较为优秀。此外，恶意节点可通过基站从区块链中直接移除并撤销认证，方便快捷。仿真结果表明，与去中心化的区块链信息管理（BIM）方案、基于信任和分布式区块链评估的安全定位（DBE）算法和利用密钥衍生加密和数据分析（KDE-DA）管理方案相比，所提方案在延迟、吞吐量、计算开销方面具有一定的优越性。

为了提升深度卷积神经网络对音乐频谱流派特征的提取效果，提出一种基于频谱空间域特征注意的音乐流派分类算法模型DCNN-SSA。DCNN-SSA模型通过对不同音乐梅尔谱图的流派特征在空间域上进行有效标注，并且改变网络结构，从而在提升特征提取效果的同时确保模型的有效性，进而提升音乐流派分类的准确率。首先，将原始音频信号进行梅尔滤波，以模拟人耳的滤波操作对音乐的音强及节奏变化进行有效过滤，所生成的梅尔谱图进行切割后输入网络；然后，通过深化网络层数、改变卷积结构及增加空间注意力机制对模型在流派特征提取上进行增强；最后，通过在数据集上进行多批次的训练与验证来有效提取并学习音乐流派特征，从而得到可以对音乐流派进行有效分类的模型。在GTZAN数据集上的实验结果表明，基于空间注意的音乐流派分类算法与其他深度学习模型相比，在音乐流派分类准确率和模型收敛效果上有所提高，准确率提升了5.36个百分点～10.44个百分点。