针对牛眼图像特征提取过程中由于梯度消失和过拟合造成的识别准确率较低的问题，提出一种基于改进DenseNet的牛眼图像特征提取方法。首先采用缩放指数线性单元（SeLU）激活函数防止网络梯度消失；其次通过DropBlock随机丢弃牛眼图像的特征块，从而防止过拟合，并加强网络的泛化能力；最后将改进后的稠密层进行叠加以组成改进的DenseNet（Dense convolutional Network）。在自建牛眼图像数据集上进行特征信息提取识别实验的结果表明，改进后的DenseNet识别准确率、精确率和召回率分别为97.47%、98.11%和97.90%；较改进前的网络在识别准确率、精确率和召回率上分别提升了2.52个百分点、3.32个百分点和2.94个百分点，可见改进后的网络具有较高的精度与鲁棒性。

围绕多等级上同时考虑优于、劣于、无差异和不确定等四种成对方案间关系的不同分布式偏好关系（DPR），提出一种基于其比较可能度的属性权重未知的多属性决策方法。首先，利用各等级的得分值将分布式偏好关系转为得分值区间，并基于得分值区间构造服从均匀分布的分布式偏好关系比较可能度；其次，通过理论分析证明其与未考虑分布的比较可能度间的大小关系及其取值差异范围；最后运用提出的比较可能度形成属性权重未知的多属性决策流程，产生高辨识度的决策解。将提出的方法运用于求解芜湖市战略性新兴产业的评估问题，验证了方法的正确性和有效性。

针对不平衡分类中小类样本识别率低问题，提出一种基于主动学习不平衡多分类AdaBoost改进算法。首先，利用主动学习方法通过多次迭代抽样，选取少量的、对分类器最有价值的样本作为训练集；然后，基于不确定性动态间隔的样本选择策略，降低训练集的不平衡性；最后，利用代价敏感方法对多分类AdaBoost算法进行改进，对不同的类别给予不同的错分代价，调整样本权重更新速度，强迫弱分类器"关注"小类样本。在临床经胸超声心动图（TTE）测量数据集上的实验分析表明：与多分类支持向量机（SVM）相比，心脏病总体识别率提升了5.9%，G-mean指标提升了18.2%，瓣膜病（VHD）识别率提升了0.8%，感染性心内膜炎（IE）（小类）识别率提升了12.7%，冠心病（CAD）（小类）识别率提升了79.73%；与SMOTE-Boost相比，总体识别率提升了6.11%，G-mean指标提升了0.64%，VHD识别率提升了11.07%，先心病（CHD）识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明，该算法在不平稳多分类时能有效提高小类样本识别率，并且保证其他类别识别率不会大幅度降低，综合提升分类器性能。

采用被动测量技术分析了PPStream点播系统的节点发现和分发协议，研究了视频缓冲图（Buffer-Map）的结构特点和主要功能，在此基础上设计并实现了一款用于获取PPStream点播节目用户Buffer-Map信息的分布式主动测量爬虫系统，使用该爬虫对PPStream点播系统的用户观看行为进行了分类统计，首次提出了用户观看粘度的概念并做量化统计分析,发现用户观看粘度与平均观看长度成正比，与累计概率曲线斜率成反比。