无监督多元时间序列（MTS）异常检测方法因标注成本低而广受关注，但传统方法一般基于两个假设：1）服从独立同分布（IID）假设，即假设时序数据样本之间和属性之间不存在依赖关系；2）高净度启动假设，即假设可拥有完全正常态的时序数据集进行训练。以上假设在实际场景中往往难以满足。为此，提出一种基于边缘异常候选集的迭代式主动多元时序异常检测算法（EraseMTS）。首先，利用一种多粒度时序特征学习方法捕捉子序列内和子序列间的依赖关系，并在此基础上对原始多元时间序列进行再表示；其次，提出一种利用边缘异常候选集的选择策略，以子序列异常得分为基础，同时考虑异常程度，选择待人工交互的范围；最后，提出一种迭代式子序列权重更新机制，将异常反馈信息融入无监督异常检测模型的训练过程中，通过迭代方式不断优化初始训练模型性能。在UCR时间序列库中的4个数据集和1个人工合成数据集上对所提算法的检测性能、可扩展性和稳定性进行验证，实验结果表明该算法能够有效且稳定运行。

为了进一步提高多尺度目标检测的速度和精度，解决小目标检测易造成的漏检、错检以及重复检测等问题，提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先，在特征提取网络中对网络结构进行改进，在残差模块的空间维度中引入注意力机制，对小目标进行关注；然后，利用密集连接网络（DenseNet）充分融合网络浅层信息，并用深度可分离卷积替换主干网络中的普通卷积，减少模型的参数量，提升检测速率。在特征融合网络中，通过双向金字塔结构实现深浅层特征的双向融合，并将3尺度预测变为4尺度预测，提高了多尺度特征的学习能力；在损失函数方面，选取GIoU（Generalized Intersection over Union）作为损失函数，提高目标识别的精度，降低目标漏检率。实验结果表明，基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%，与原YOLOv3算法相比提升了5.89个百分点，检测速度达22.0 frame/s；在COCO数据集上，与原YOLOv3算法相比，基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点；同时，在进行多尺度的目标检测中，算法的mAP有所提升，验证了基于改进YOLOv3的目标检测算法的有效性。

针对移动边缘计算(MEC)中的内容分发加速问题，考虑MEC服务器存储空间受限对内容缓存的影响，以移动用户获取对象延时为优化目标，根据用户群对不同对象的兴趣的差异，提出了一种基于兴趣的内容分发加速策略(ICDAS)。该策略根据MEC服务器的存储空间、移动用户群对不同对象的兴趣以及对象的文件大小，选择性地在MEC服务器上缓存对象，并及时对MEC服务器上缓存的对象进行更新，最大限度地满足移动用户群的内容需求。仿真结果表明，所提策略具有良好的收敛性能，其缓存命中率相对稳定且明显优于现有策略；当系统运行达到稳定后，相较于现有策略，该策略可使用户获取对象数据的时延减少20%。

语义分割是实现道路语义环境解释的重要方法，深度学习语义分割由于卷积、池化及反卷积的作用使分割边界模糊、不连续以及小目标漏分错分，影响了分割效果，降低了分割精度。针对上述问题，提出了一种结合语义边界信息的新的语义分割方法，首先在语义分割深度模型中构建了一个语义边界检测子网，利用网络中的特征共享层将语义边界检测子网络学习到的语义边界信息传递给语义分割网络；然后结合语义边界检测任务和语义分割任务定义了新的模型代价函数，同时完成语义边界检测和语义分割两个任务，提升语义分割网络对物体边界的描述能力，提高语义分割质量。最后在Cityscapes数据集上进行一系列实验证明，结合语义边界信息的语义分割方法在准确率上比已有的语义分割网络SegNet提升了2.9%，比ENet提升了1.3%。所提方法可以改善语义分割中出现的分割不连续、物体边界不清晰、小目标错分漏分、分割精度不高等问题。

测试模型5(TM5)的位分配策略对基于图像序列编码的图像质量会造成一定影响。文中在分析测试模型的位分配策略的基础上,给出了一种改进的基于MPEG 2的位分配策略。该策略能够提高序列图像编码质量的平滑性,从而避免图像质量之间的失衡。模拟结果表明,改进的码率控制策略在一定程度上提高了图像的质量,同时还保持序列图像之间的平滑性而保持压缩比不变。