基于深度学习的图像分类算法通常依赖大量训练数据，然而对于医学领域中的宫颈细胞分类任务，难以实现收集大量的图像数据。为了在少量图像样本的条件下正确分类宫颈细胞，提出一种结合加权原型和自适应张量子空间的小样本分类算法（CWP-ATS）。首先，结合预训练技术和元学习，保证特征提取网络从元训练集中学习更多的先验知识；其次，在原型计算过程中采用最大均值差异算法为每个支持集样本赋予合适的权重，并采用转导学习算法修正，以获得更准确的原型；最后，利用多线性主成分分析算法将每类样本投影至各自的低维张量子空间，从而在不破坏原始张量特征自然结构的前提下，在低维空间中学习高效的自适应子空间分类器。在小样本Herlev宫颈细胞图像的2-way 10-shot和3-way 10-shot分类任务中，与DeepBDC（Deep Brownian Distance Covariance）算法相比，CWP-ATS的分类准确度分别提高了2.43和3.23个百分点；当元测试集中30%的样本受噪声干扰时，与原型网络相比，CWP-ATS的分类准确度有超过20个百分点的提升。实验结果表明，CWP-ATS有效提高了对小样本宫颈细胞的分类准确度和鲁棒性。

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题，在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下，结合城市交通流量的时空特性，建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先，采用细粒度的网格划分方法来构建交通流量的时空矩阵；其次，利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性；最后，利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性，并实现交通流量的预测。实验结果表明，STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比，均方根误差（RMSE）指标分别减小了17.15%和7.37%，均绝对误差（MAE）指标分别减小了22.75%和9.14%，决定系数（R²）指标分别提升了11.27%和2.37%。同时，发现该模型在规律性较高的工作日的预测效果好于周末，且对工作日早高峰的预测效果最好，可见该模型可为短时城市区域交通流量变化监测提供依据。

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。