近几年，基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下，重建模型的网络层数越深，提取的特征越多，重建效果越好；然而随着网络层数的加深，不仅会出现梯度消失的问题，还会显著增加参数量，增加训练的难度。针对以上问题，提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征，全局采用简化后的密集网络，且仅构建每一个模块输出到重建层的路径，从而避免产生冗余数据来增加计算量。在放大倍数为4时，采用数据集Set5测试模型性能，结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比，所提方法的结构相似性（SSIM）高了0.013 6；与基于多尺度残差网络的图像SR（MSRN）相比，SSIM高了0.002 9，模型参数量少了78%。实验结果表明，所提方法在保证模型的深度和宽度的情况下，显著减少了参数量，从而降低了训练的难度，而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。

针对当前访问控制中用户权限不能随着时间动态变化和访问控制合约中存在的安全性问题，提出了一种以基于角色的访问控制(RBAC)模型为基础，同时基于区块链和用户信用度的访问控制模型。首先，角色发布组织分发角色给相关用户，并把访问控制策略通过智能合约的方式存储在区块链中，该合约设定了访问信用度阈值，合约信息对系统内任何服务提供组织都是可验证、可追溯且不可篡改的。其次，该模型根据用户的当前信用度、历史信用度和推荐信用度评估出最终信用度，并根据最终信用度获得对应角色的访问权限。最后，当用户信用度达到合约设定的信用度阈值时，用户就可以访问相应的服务组织。实验结果表明，该模型在安全访问控制上具有一定的细粒度、动态性和安全性。

针对云存储中基于密文策略的属性加密（CP-ABE）访问控制方案存在用户解密开销较大的问题，提出了一种基于代理重加密的CP-ABE （CP-ABE-BPRE）方案，并对密钥的生成方法进行了改进。此方案包含五个组成部分，分别是可信任密钥授权、数据属主、云服务提供商、代理解密服务器和数据访问者，其中云服务器对数据进行重加密，代理解密服务器完成大部分的解密计算。方案能够有效地降低用户的解密开销，在保证数据细粒度访问控制的同时还支持用户属性的直接撤销，并解决了传统CP-ABE方案中因用户私钥被非法盗取带来的数据泄露问题。与其他CP-ABE方案比较，此方案对访问云数据的用户在解密性能方面具有较好的优势。