对比学习（CL）具有可从原始数据中提取自监督信号的特性，为推荐系统解决数据稀疏问题提供了有力支持。然而，现有的CL推荐算法大多着眼于改进模型结构和数据增强方法，忽视了提升推荐任务中的负样本质量以及挖掘用户与项目之间潜在隐性关系的重要性。针对此问题，提出一种基于混合负采样的图对比学习推荐算法（HSGCL）。首先，与均匀采样方法从真实数据中采样不同，所提算法使用正样本混合方法将正样本信息融入负样本中；其次，通过跳跃混合方法创造富含信息的难负样本；同时，通过使用节点丢弃（ND），改变图结构以生成多个视图，并在嵌入空间中引入可控的均匀噪声平滑调整学习表示的均匀性；最后，将推荐主任务与CL任务进行联合训练。在Douban-Book、Yelp2018和Amazon-Kindle这3个公共数据集上的数值实验结果表明，相较于基线模型——轻量化图卷积网络（LightGCN），所提算法在召回率（Recall@20）上分别提升了23%、13%和7%，在归一化折损累积增益（NDCG@20）上分别提升了32%、14%和5%，且在提升负样本嵌入信息多样性方面表现优异。可见，所提算法从负采样方法和数据增强两方面进行改进，提高了负样本质量、表示分布的均匀性和推荐算法的准确性。

针对基于p持续的移动自组网（MANET）信道接入和资源分配问题，提出一种具有低复杂度的自适应信道接入和资源分配算法。首先，考虑到自组网无中心分布式组网特点，以每个节点的信道利用率最大化为目标建立优化问题；其次将该问题建模为马尔可夫决策过程并定义状态、动作和奖励函数；最后基于策略梯度训练网络参数，联合优化竞争概率、优先级增长因子以及通信节点数量。仿真实验结果表明，所提算法可以显著提高p-持续载波侦听多址接入（CSMA）协议的性能，与固定竞争概率和p值预定义的方案相比，所提算法的信道利用率提高了45%和17%；此外，当节点数量小于35时，所提算法优于固定接入节点数量的方案。同时，在节点数据包到达率较高时，所提算法可以充分利用信道，减少时隙资源浪费。

针对当前水利大坝主要依靠人工现场巡视，运营成本高且效率低的问题，提出一种基于YOLOv5的改进检测算法。首先，采用改进的多尺度的视觉Transformer结构改进主干网络，并利用多尺度Transformer结构关联的多尺度全局信息和卷积神经网络（CNN）提取的局部信息来构建聚合特征，从而充分利用多尺度的语义信息和位置信息来提高网络的特征提取能力。然后，在网络的每个特征检测层前加入同位注意力机制，以在图像的高度和宽度方向分别进行特征编码，再用编码后的特征构建特征图上像素的长距离关联，从而增强网络在复杂环境中的目标定位能力。接着，改进了网络正负训练样本的采样算法，通过构建先验框与真实框的平均契合度和差异度筛选样本来辅助候选正样本与自身形状相近的先验框产生响应，以帮助网络更快、更好地收敛，从而提升网络的整体性能和网络泛化性。最后，针对应用需求对网络进行了轻量化，并通过对网络结构剪枝和结构重参数化优化网络结构。实验结果表明：在当前采用的大坝病害数据上，对比原始YOLOv5s算法，改进后的网络mAP@0.5提升了10.5个百分点，mAP@0.5：0.95提高了17.3个百分点；轻量化后的网络对比轻量化之前的网络的参数量和计算量分别降低了24%和13%，检测速度提升了42%，满足当前应用场景下病害检测精度和速度的要求。

针对元件的抓取路径规划问题，提出一种以最小化时间为目的，结合蚁群算法和禁忌搜索算法的混合优化算法。首先，将基于机器视觉抓取元件的问题确定为有约束的旅行商问题（TSP）；然后，分析了元件大小和抓取放置过程对于路径规划的综合影响，对路径选择概率和禁忌域进行了适应性改进；其次，一方面引入了2-opt局部优化以及信息素惩罚、奖励机制以改善蚂蚁的搜索能力，另一方面对信息挥发因子作适应性改进以提高蚂蚁的自适应能力；最后，针对基本算法和改进的混合优化算法，仿真实验和平台实验分别进行了性能指标和抓取时间的对比分析。实验结果表明，仿真环境下，与蚁群优化（ACO）算法和禁忌搜索（TS）算法相比，混合优化算法的平均迭代次数降低了约50%，且其他性能较为优越，平台测试的抓取用时测试结果也说明了混合优化算法较随机结果和基本算法的优越性，可以快速完成元件抓取任务。

为了挖掘多模态工业焊缝图像视觉特征并通过模态翻译的方式进一步提高多模态工业图像的配准效果，提出一种基于模态翻译的多模态焊缝图像像素级配准网络。首先，通过设计跨模态翻译模块赋予网络捕获不同模态工业图像共享特征的感知能力；其次，捕获共享特征以进行多模态图像配准，并利用对抗性损失和多层级对比损失提高模态翻译效果；同时，结合跨模态翻译模块与单模态图像配准模块，并通过重构损失提升像素级配准性能；最后，构建多模态工业焊缝图像数据集，并基于此数据集开展对比实验。实验结果表明，相较于DFMIR（Discriminator-Free-Medical-Image-Registration）和IMSE（Indescribable Multi-modal Spatial Evaluator）等现有的先进多模态图像配准模型，所提网络在平均交并比（mIoU）上提升了3.9、3.2个百分点，在平均欧氏距离（aEd）上提升了约16、11个像素点的配准精度，在像素级别配准上取得了较好的结果。