在大数据与云计算时代，时态大数据的查询分析面临许多重要挑战。针对其中时态聚合范围查询性能不佳和不能有效利用索引等问题，提出一种用于时态聚合范围查询的分布式时态索引（DTI）。首先，采用随机或轮询策略对时态数据分区；其次，采用基于时间位数组前缀的分区内索引构造算法建立索引，同时记录包括时间跨度在内的分区统计信息；再次，利用谓词下推筛选时间跨度与查询时间区间重叠的数据分区，扫描索引进行预聚合；最后，将各分区得到的预聚合值按时间归并并聚合。实验结果表明，索引的分区内构造算法处理时间密度2 400条每单位时间和0.001条每单位时间的数据的执行时间相近。索引的聚合查询算法相较于ParTime算法：在查询时间线前75%的数据时，每一步用时都至少减少22%；执行选择型聚合函数时，每一步用时都至少减少11%。因此，索引在多数时态聚合范围查询任务中具有更高的速度，它的分区内构造算法能解决数据稀疏问题且执行效率高。

图像除雨算法一般对单帧图像或视频流中的雨滴进行去除，以降低雨滴对视觉任务的不良影响。然而，由于雨滴下落速度极快，基于帧的相机无法获取雨滴在时间上的连续性，且相机的曝光时间和运动模糊进一步降低了图像中雨滴的清晰度，导致传统图像的除雨算法无法准确检出雨滴覆盖区域。为探究图像除雨的新思路，利用事件相机极高采样率、无运动模糊的特性，分析并建立了雨滴事件生成模型，并提出了基于时空关联性的事件相机雨滴检测算法。该算法通过分析事件相机记录下的每个事件与相邻事件之间的时空关系来对每个事件产生自雨滴运动的概率进行计算，从而实现雨滴检测。在三种降雨场景上的实验结果表明，在相机静止不动时，所提算法的雨滴检测正确率可达95%以上，误检率低于5%；当相机处于运动状态时，所提算法仍可达到95%以上的正确率与不超过20%的误检率。说明所提算法可有效检出雨滴。

针对增强现实(AR)中虚实注册的精度和实时性易受图像纹理和不均匀光照影响的问题，提出一种改进的ORB算法予以解决。首先，设置ORB特征点数量和距离阈值对图像特征点稠密区域进行优化，利用并行算法保留特征值较大的N个特征点；然后，采用离散差异特征增强光照不均匀变化时的稳定性，将改进的ORB与词袋(BOF)模型结合，实现基准图像的快速检索；最后，利用图像间的单应性关系实现虚实注册。从准确性和实时性两方面对提出的改进ORB算法与原始ORB算法、尺度不变特征变换(SIFT)算法和加速稳健特征(SURF)算法进行了对比实验分析，结果显示改进ORB算法的注册时间平均降低了约40%，准确性达到了95%以上。实验结果表明，所提出的算法在不同纹理和不均匀光照的情况下，具有更高的实时性、准确性。

不变矩自提出以来被广泛应用于目标识别系统中进行特征描述，这需要能够实时计算不变矩值。虽然人们提出了许多不变矩的快速算法，仍无法在单台PC机上实现不变矩的实时计算。本文分析了基于差分矩因子的不变矩快速算法的并行性，提出了一种基于CUDA（Compute Unified Device Architecture）的快速不变矩并行实现方法，并在NVIDIA Tesla C1060 GPU（Graphic Processing Unit）上实现。对所提出算法的计算性能与普通串行算法进行了对比分析。实验结果表明，本文所提出的并行计算方法极大地提高了不变矩的计算速度，可有效地用来进行实时特征提取。