初至波拾取是地震数据处理中的关键步骤，会直接影响动校正、静校正和速度分析等的精度。目前，现有的算法受到背景噪声和复杂近地表条件的影响时拾取精度会降低。基于此，提出基于聚类和局部线性回归的初至波自动拾取算法（FPCL）。该算法由预拾取和微调两个阶段来实现。预拾取阶段先基于k均值（k-means）技术找到初至波簇，再利用基于密度的噪声应用空间聚类（DBSCAN）技术在初至波簇中进行拾取。微调阶段通过局部线性回归补齐缺失值，再利用能量比值最小化技术调整错误值。在两个地震数据集上，将FPCL与改进的能量比（IMER）法相比，准确率分别提升了4.00个百分点和3.50个百分点；与互相关技术（CCT）相比，准确率分别提升了38.00个百分点和10.25个百分点；与基于模糊C均值聚类的微震数据自动时间拾取算法（APF）相比，准确率分别提升了34.50个百分点和3.50个百分点；与基于两阶段优化的初至波自动拾取算法（FPTO）相比，准确率分别提升了5.50个百分点和16.25个百分点。上述实验结果表明FPCL更准确。

针对页岩气储层数据获取困难、标签稀缺、标注成本高昂的问题，提出一种多标准主动查询的多标签学习（MAML）算法。首先，考虑样本的信息性和代表性来对样本进行初步处理；其次，加入包括属性差异性和标签丰富性的样本丰富性约束，在此基础上选择有价值的样本进行标签查询；最后，利用多标签学习算法来预测剩余样本的标签。通过11个Yahoo数据集上的实验，将MAML算法与流行的多标签学习算法和主动学习算法进行比较，验证了MAML算法的优越性。然后将实验扩展到4个真实的页岩气测井数据集。在该实验中，与多标签学习算法：基于K最近邻的多标签（ML-KNN）学习方法、多标签学习的反向传播（BP-MLL）算法、具有全局和局部标签相关性的多标签学习方法（GLOCAL）和通过查询信息性和代表性样本的主动学习（QUIRE）方法相比，MAML算法在页岩气储层综合品质预测精度均值上分别提升了45个百分点、68个百分点、68个百分点和51个百分点。实验结果充分验证了MAML算法在页岩气储层甜点预测领域的实用性和优越性。

由于构造概念格的时间复杂度高，在推荐领域已有研究者提出用概念集合来替代概念格。但目前对概念集合的研究未考虑近似概念的作用，因此将近似概念引入推荐应用，并提出基于遗传算法（GA）的近似概念生成算法（ACGA）和相应的推荐应用方案。首先由启发式方法生成初始概念集合；其次用交叉算子对初始概念集合中的概念的外延两两求交集，从而得到近似概念；然后用选择算子根据外延相似度以及相关阈值筛选出满足条件的近似概念来更新概念集合，而不满足条件的近似概念由变异算子按照用户相似度进行外延调整，直到其满足条件；最后基于新的概念集合，根据邻居用户的偏好向目标用户进行推荐。在4个推荐系统常用的数据集上进行实验，结果表明ACGA生成的近似概念提升了推荐效果，尤其是在2个电影评分数据集上，ACGA与概率矩阵分解（PMF）算法相比，F1值提升了近78%，召回率提升了近104%，精确度提升了近57%；与K最近邻（KNN）算法比较，精确度提升了近12%。

主动学习旨在通过人机交互减少专家标注，代价敏感主动学习则致力于平衡标注与误分类代价。基于三支决策（3WD）和标签均匀分布（LUD）模型，提出一种基于最远总距离采样的代价敏感主动学习算法（CAFS）。首先，设计了最远总距离采样策略，以查询代表性样本的标签；其次，利用了LUD模型和代价函数，计算期望采样数目；最后，使用了k-Means聚类技术分裂已获得不同标签的块。CAFS算法利用三支决策思想迭代地进行标签查询、实例预测和块分裂，直至处理完所有实例。学习过程在代价最小化目标的控制下进行。在9个公开数据上比较，CAFS比11个主流的算法具有更低的平均代价。