在现有的小样本目标检测中，区域提议网络（RPN）通常是在基类数据上训练以生成新类候选框；然而新类数据相较于基类更稀缺，在引入时可能产生与目标物不同的复杂背景，导致RPN将背景误认为前景，遗漏高交并比（IoU）值候选框。针对上述问题，提出一种基于改进RPN和特征聚合小样本目标检测方法（IFA-FSOD）。首先，基于RPN进行改进，即通过在RPN中设计一个基于度量的非线性分类器，计算骨干网络提取的特征和新类特征之间的相似度，以提高对新类候选框的召回率，从而筛选高IoU候选框；其次，在感兴趣区域对齐（RoI Align）中引入基于注意力机制的特征聚合模块（FAM），并通过设计不同尺度的网格，获取更全面的信息和特征表示，从而缓解因尺度不同引起的特征信息缺失。实验结果表明，相较于QA-FewDet（Query Adaptive Few-shot object Detection）方法，IFA-FSOD方法在PASCAL VOC数据集的新类上的Novel Set 3中的10-shot下的新类别平均精度（50% IoU）（nAP50）提升了4.5个百分点；相较于FsDetView（Few-shot object Detection and Viewpoint estimation）方法，在10-shot和30-shot设置下，IFA-FSOD方法在COCO数据集的新类上的平均精度均值（mAP）分别提升了0.2和0.8个百分点。可见改进RPN和特征聚合（IFA）能有效提高在小样本情况下对目标类别的检测性能，并解决高IoU值候选框遗漏和特征信息捕捉不全的问题。

目前，唐诗宋词在文学角度的研究成果较多，然而采用基于超图的超网络方法对唐诗宋词进行研究的成果较少，且仅有的这种研究局限于对字频和词频的研究。采用超网络数据分析方法对唐诗宋词进行分析研究有助于探索传统文学角度无法涉及的广度，也有助于发现唐诗宋词所折射出来的文学组词规律和时代背景。因此，首先基于全唐诗和全宋词这两个古文本语料库，分别建立了唐诗超网络和宋词超网络。在构建该超网络时，将一首诗或一首词作为超边，将唐诗中的字或宋词中的字作为超边内的节点。然后，对唐诗超网络和宋词超网络的拓扑指标和网络特性，如节点超度、节点超度分布、超边节点度、超边节点度分布，进行了实验分析，旨在发现唐代诗人和宋代词人的用字、用词和审美倾向。最后，基于李白诗词集、杜甫诗词集、苏轼诗词集、辛弃疾诗词集的诗词作品构建了作品集超网络，并计算了相关网络参数。分析结果表明，唐诗宋词超网络中的最大超度与最小超度相差较大，且其超度分布近似为幂律分布，该结果表明唐诗宋词超网络的无标度特性。另外，唐诗宋词超网络的超边节点度也存在明显的分布特性，具体来说，唐诗超网络的超边节点度较多分布在20~100，宋词超网络的超边节点度较多分布30~130。并且，通过分析发现作品集超网络具有较小的平均路径长度和较大的集聚系数，该结果反映作品集超网络具有小世界特性。

针对图像单失真类型判定算法对部分失真类型判定精度低的问题，提出了一种基于双通道卷积神经网络（CNN）的图像单失真类型判定方法。首先，对图像进行裁剪以得到固定尺寸的图像块，并对图像块进行Haar小波变换从而得到高频信息图；然后，将图像块与对应的高频信息图分别输入到不同通道卷积层中以提取深层特征图后，对深层特征进行融合并输入到全连接层中；最后，将全连接层最后一层的值输入到Softmax函数分类器中得到图像单失真类型概率分布。LIVE数据库上的实验结果表明，所提方法的图像单失真类型判定准确率达到了95.21%，并且对JPEG2000和快速衰落失真这两种失真类型的判定精度相较用于对比的其他五种图像单失真类型判定方法分别提升了至少6.69个百分点和2.46个百分点。所提方法能够准确地判定出图像中存在的单失真类型。

针对图像混合失真类型判定难的问题，在深度学习多标签分类思想的基础上，提出了一种基于多尺度多分类器卷积神经网络（CNN）的混合失真类型判定方法。首先，从图像中截取得到含有高频信息的图像块，将该图像块输入到不同感受野的卷积层中以提取图像的浅层特征图；其次，将浅层特征图输入到各子分类器结构中以进行深层次的特征提取和融合，将融合的特征通过Sigmoid分类器得到判定结果；最后，将各子分类器的判定结果进行融合得到图像的混合失真类型。实验结果表明，在自然场景混合失真数据库（NSMDID）上，所提方法对图像中存在的混合失真类型的平均判定准确率可以达到91.4%，且对大部分类型的判定准确率都在96.8%以上，可见所提方法能够对混合失真图像中的失真类型进行有效的判定。

针对单目标跟踪过程中难以长期稳定跟踪的问题，提出一种基于静态-自适应外观模型纠正的跟踪算法。首先将跟踪过程中可能遇到的干扰因素分为来自环境和目标本身两类，分别提出静态外观模型和自适应外观模型，静态外观模型用于全局匹配，自适应外观模型用于局部跟踪，静态模型纠正自适应模型的跟踪漂移问题；使用单链接层次聚类算法去除两种模型融合后引入的噪声；针对运动目标消失再出现时难以捕获的问题，使用静态模型进行全局搜索，捕获目标。对于实验中的视频序列，视频序列中目标的中心位置准确率为0.9，计算机每秒能够处理26帧图像。实验结果表明，该跟踪算法框架可以实现长期稳定的跟踪，具有良好的鲁棒性和实时性。

为了提高实时视频监控中火焰识别率和降低误识率，提出了一种基于多特征量对数回归模型的火焰快速识别算法。首先，根据火焰的色度特征进行图像分割，通过运动目标与参考图像差分运算获取火焰候选区域（CFR）；然后提取候选区域的面积变化率、圆形度、尖角个数以及质心位移等特征量，建立火焰的对数回归快速识别模型；其次采用美国国家标准与技术研究院（NIST）、仁荷大学计算机视觉实验室（ICV）和基于计算机视觉的火灾探测（VisiFire）实验库以及自制蜡烛、纸燃烧火焰中的火焰和非火焰图像中的300幅进行参数学习；最后选取实验数据库中8段视频共11071幅图像进行识别算法检验。测试结果表明，所提算法的真正率（TPR）达到93%、真负率（TNR）达到98%，识别平均用时0.058 s/帧。所提算法识别速度快且识别率高，可以应用于嵌入式实时图像火焰识别。

针对单字典表达复杂多样的图像纹理存在一定的局限性的问题，利用压缩感知和小波理论建立了一种多字典遥感图像超分辨算法。首先，对训练图像在小波域的不同频带利用 K-奇异值分解（ K-SVD）算法建立不同的字典；然后，利用全局限制求取高分辨率图像的初始解；最后，利用正交匹配追踪算法（OMP）对初始解在小波域进行多字典稀疏求解。实验结果表明，相比基于单字典的超分辨重建算法，结果图像的主观视觉效果有很大提高，客观评价指标的峰值信噪比（PSNR）和结构相似度（SSIM）分别提高2.8 dB以上和0.01以上。字典可一次建立重复使用，降低了运算时间。

神经网络具有强大的非线性学习能力,基于神经网络的多帧超分辨重建方法获得了初步研究,但这些方法一般只能应用于帧间具有标准位移的控制成像情形,难以推广应用到其他实际情况。为了将神经网络强大的学习能力应用到非控制成像多帧超分辨重建中,以获得更好的超分辨效果,提出了一种利用径向基函数(RBF)神经网络进行解模糊的算法,并将其与多帧非均匀插值结合起来,形成了一种新的两步超分辨算法。仿真实验结果表明,该算法的结构相似度为0.55～0.7。该算法不但扩展了RBF神经网络的应用范围，还获得了更好的超分辨性能。

针对超宽带(UWB)信号在采样率过高时难以采样的问题，提出了改进的并行分段式压缩传感（MPSCS）方法，并且在多带正交频分复用超宽带通信系统中，利用MPSCS中基于正交匹配追踪（OMP）的重构算法进行了压缩采样与信号重构。在CM1信道下，通过仿真分析比较了MPSCS方法和并行分段式压缩传感（PSCS）方法、奈奎斯特方法的误码率、采样率性能。仿真结果显示，MPSCS在误码率、采样率方面有很大优势，而且在采样率仅为奈奎斯特速率6.06%的情况下，MPSCS能精确重构超宽带信号。

在De Bruijn网络中进行并行矩阵乘法运算，算法简单，容易实现。首先介绍了De Bruijn网络结构，然后提出了一种基于De Bruijn网络结构的矩阵乘法的并行算法，分析了它的加速比、效率等性能及可扩展性，通过与Cannon算法的比较，证明它的时间复杂度等效于Cannon算法，最后通过实验验证了这个结论的正确性。

根据杂凑函数HAVAL算法中消息字的顺序和第一圈中圈函数的性质，结合使用“中间相遇攻击”和穷举搜索等方法，给出从第3步到第122步HAVAL压缩函数的原根攻击。分别采用中间相遇方法和树方法，把对120步压缩函数的原根攻击扩展到对120步HAVAL算法的原根攻击。

在分析现有组播密钥管理协议的基础上，提出了一种基于成员发现协议的组播密钥管理方案。针对实际的Internet拓扑结构，引入成员发现协议生成包含组成员的覆盖树，再通过组生成算法将整个参与组播的各终端用户形成的组播组划分成若干个虚拟的组播子组，组安全控制器将组密钥安全分发给各个子组安全控制器,子组内采用LKH方法实现密钥管理。该协议本质为一种二级层次结构的密钥管理协议，具有较好的可扩展性，在密钥更新代价方面取得了较好的性能，适合于大型组播群组。