当前的三维目标检测模型大都基于数据驱动的深度学习技术，因此数据集的质量对模型的性能至关重要。针对煤尘环境数据集缺失和建立真实煤尘环境数据集费时费力的问题，提出一种基于煤尘对激光雷达（LiDAR）电磁波散射和吸收效应的点云数据增强方法。该方法针对煤尘粒子的光学特性，构建LiDAR电磁波在煤尘中的传播仿真模型，从而模拟LiDAR信号在煤尘环境中的衰减与散射；然后，在晴朗环境下采集的真实点云数据基础上，基于仿真模型对点云的三维坐标和反射强度进行修正，从而生成符合煤尘环境感知特性的仿真点云数据；最后，在增强后的仿真数据集上训练并测试5种主流三维目标检测模型（PV-RCNN++、PV-RCNN、PointRCNN、PointPillars和Voxel_RCNN_Car）。结果表明，所提方法让这5种检测模型在煤尘环境下的检测精度均有所提升，其中模型复杂度最高的PV-RCNN模型在汽车、行人和骑行者类别上的中等难度表现分别提高了1.88、1.74和0.84个百分点。可见，在煤尘环境中，相较于在晴朗条件下训练的模型，使用增强后的点云数据训练的目标检测模型的检测精度有显著提升，能更可靠地感知露天矿复杂环境，为无人驾驶矿车的稳定运行提供了数据支撑。

快速存取记录器（QAR）数据分析效率低导致对QAR数据进行特征提取至关重要。针对QAR数据特征提取对于时序趋势特征关注不足的问题，融合分段三次Hermite插值（PCHIP）模块和序关系分析法（G1）赋权模块形成模型插值赋权部分分段三次Hermite插值-序关系分析法（PG），然后结合卷积自编码器（CAE）构建PG-CAE模型，提出一种基于QAR数据的飞行俯仰操作特征提取方法，旨在为飞行级异常检测等分析提供支持。首先，利用PCHIP统一数据长度；其次，利用G1赋权模块根据飞行操作与飞行姿态的因果时序相关性确定权重，从而量化飞行俯仰操作数据的时序重要性；再次，使用CAE模块对赋权后的数据进行特征提取；最后，基于某航司A319机型406个航段的俯仰操作数据进行模型验证。实验结果表明：通过引入PCHIP与G1模块， PG-CAE模型的结果明显优于CAE模型，从而以重构误差来度量单一数据样本与原始数据的符合度，并将它作为模型是否可接受的底线标准，同时以标准差来度量模型对数据集整体趋势特征的提取能力，最终确定具有5重卷积池化层的CAE5模型为最优模型结构，它的重构误差为0.032 84、标准差为（0.162 1，0.280 5）。此外，结合K-means算法，对比PG-CAE特征提取后的点聚类效果与未经特征提取的曲线聚类效果，进一步证明PG-CAE模型可将时序趋势数据的线簇数据提取为二维特征的点簇数据，从而服务于基于QAR数据飞行级异常检测等研究。

高压电缆长期过热可能导致绝缘热击穿，进而影响电网的稳定性。然而，当前研究主要集中在传统预测模型上，忽略了温度数据的复杂性和动态特征。为了解决此问题，提出一种基于多尺度Patch与卷积交互的电缆温度预测模型（MSP-CI）。首先，采用通道重组采样方法降低输入维度，并构建多尺度Patch分支结构，以实现复杂时间序列的解耦；其次，结合序列分解与卷积交互策略，分别提取粗粒度Patch的宏观信息与细粒度Patch的微观信息；最后，构建注意力融合模块，以动态平衡宏观与微观信息的权重，并得到最终的预测结果。在真实高压电缆温度数据集上的实验结果表明， MSP-CI相较于TimeMixer、PatchTST （Patch Time Series Transformer）和MSGNet（Multi-Scale inter-series Graph Network）等基线模型，在均方误差（MSE）上下降了7.02%~34.87%，在平均绝对误差（MAE）上下降了5.15%~32.04%。可见， MSP-CI能有效提升电缆温度预测的准确率，为电力调度运行提供依据。

针对发动机运行数据的多模态以及难以实现有效的发动机寿命预测问题，提出一种融合图像和发动机运行时间数据潜在关系的多模态融合特征并分支发动机寿命预测方法。首先，利用滑动窗口对发动机运行数据进行分割，以构造发动机运行数据的序列样本，并采用格拉姆角场（GAF）将构造的序列样本转化为图像；其次，用序列样本和图像分别通过双向长短期记忆（BiLSTM）网络和卷积神经网络（CNN）获取趋势和周期等传感器之间的潜在关系特征；最后，引入交叉注意力机制（CAM）实现2种模态特征的融合并实现发动机寿命的预测。在公开的C-MAPSS数据集上的实验结果表明，该预测方法的R-squared （R²）高于0.99，而均方根误差（RMSE）在1以内。可见，该方法能在保证预测精度的同时改善计算效率。

利用串联质谱对蛋白质酶切产生的肽段进行测序（称为肽鉴定）是蛋白质组学研究的支撑技术。现有肽段从头测序算法在鉴定具有重要生物学意义的磷酸化修饰肽段时准确度受限，主要原因是磷酸化修饰导致碎裂模式更复杂，易产生中性丢失峰，且磷酸化肽的质谱图在常规质谱数据中丰度较低。因此，提出基于Transformer和门控循环单元（GRU）的从头测序算法TGNovo。TGNovo引入谱峰连接图，显式建模谱峰间的质量差关系，指导Transformer编码器捕捉谱图特征。Transformer模块与GRU模块分别建模谱图与氨基酸序列的关联以及谱峰间与氨基酸间的依赖关系，二者协同工作以实现肽段重建。相较于完全基于Transformer的从头测序算法Casanovo， TGNovo通过谱峰连接图和GRU模块充分利用谱图先验信息，增强了模型对谱图的建模能力。在跨物种磷酸化肽段评测中， TGNovo在肽水平和氨基酸水平的召回率上比Casanovo分别平均提升了16.5和37.1个百分点；此外，在免疫肽数据集上的实验结果表明， TGNovo鉴定的高可信抗原肽覆盖了数据库搜索结果的86%。

针对解码运动想象脑电信号（MI-EEG）时大规模网络解码速度慢，以及特征信息未能充分利用等问题，提出一个多域特征融合的轻量化MI-EEG解码神经网络。该网络通过轻量化模块提取多域特征，包括利用SincNet提取频域特征以及利用时间卷积网络（TCN）提取时域特征；在时频域特征提取之后引入挤压激励（SE）注意力对特征图进行自适应校准，以突出关注重要特征并抑制冗余信息。最后，利用可分离卷积实现时频特征的有效融合，解决单域特征信息不足的问题。此外，采用交叉熵和中心损失函数联合约束网络的训练过程，以优化类内和类间的分类性能。实验结果表明，该网络在BCI 2a、SMR-BCI和OpenBMI这3个运动想象（MI）公开数据集上的参数量分别为6 870、5 690和6 870，平均准确率分别达到74.78%、71.93%和65.40%，平均Kappa值分别达到0.70、0.66和0.59。与深层卷积网络（DeepConvNet）、轻量级脑电信号卷积神经网络（EEGNet）和基于时间卷积的脑电信号识别网络（EEG-TCNet）相比：在BCI 2a数据集上，所提网络的平均准确率分别提升了11.06、8.85和6.36个百分点；在SMR-BCI数据集上，所提网络的平均准确率分别提升了10.53、4.17和3.57个百分点；在OpenBMI数据集上，所提网络的平均准确率分别提升了5.09、4.99和2.33个百分点。可见，所提网络在保证轻量化的同时兼顾了解码性能。

针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习，导致分割中难以准确区分肿瘤及周边器官边缘的问题，提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络（MF-Net）。首先，构建多尺度空间频率通道注意力模块（MSFCA）对图像频域信息和相邻编码器的多尺度特征图进行加权融合，以强化器官间纹理和边界特征的捕捉，从而突出肿瘤区域的特征表示能力；其次，引入上采样多尺度特征融合模块（UMFF）通过结合上采样得到的不同尺度特征图，增强模型对图像中不同大小对象的识别能力；最后，利用自适应目标损失函数（AOb）对有注释腹部器官标签进行损失计算，并根据注释器官类别调整损失权重大小，从而优化分割网络的学习过程。实验结果表明，在腹部器官和嗜铬细胞瘤数据集上， MF-Net的分割准确率相较于单独训练的nnU-Net （no new U-Net）分别提升了3.33和3.18个百分点，而Dice系数（Dice）和归一化表面距离（NSD）分别为89.07%和92.85%；在域外数据集上， MF-Net的Dice和NSD分别为84.66%和90.55%。此外，可视化结果表明， MF-Net能更好地处理嗜铬细胞瘤图像中的复杂背景和模糊边界，为嗜铬细胞瘤的精确诊断和治疗提供了更好的技术支持。

近些年，把生成对抗网络（GAN）应用于低剂量计算机断层扫描（LDCT）图像降噪取得了显著进展。然而，现有方法存在对复杂噪声分布建模能力不足以及结构细节保留能力有限等问题。因此，提出一种用于LDCT图像降噪的多路特征GAN ——Trident GAN。首先，设计特征引导生成器Trident Uformer，通过在U-Net结构的瓶颈层增加特征聚合注意力（FPA）模块解决U型结构空间分辨率较低的问题；其次，设计多路特征提取子模块Trident Block，并在3个分支中分别引入局部细节增强模块（LDEB）提取细节特征，轻量通道注意力模块（LCAB）增强通道特征，以及空间交互注意力模块（SIAB）获得重要空间特征；在SIAB中采用多级交互式注意力函数和评估机制设计空间上下文注意力机制（SCAM），解决单一注意力受限的问题；最后，设计多特征融合（MFF）模块来在三分支末端进行特征聚合，并对局部细节信息和全局语义信息进行建模，解决不同层次之间细节不连续的问题。此外，利用多尺度金字塔判别器（MSPD）在不同维度下检查生成结果的质量，指导具有全局一致性图像的生成。实验结果表明，在Mayo和Piglet数据集上，Trident GAN的平均峰值信噪比（PSNR）和结构相似性（SSIM）分别达到了31.519 3 dB/0.883 0和33.633 1 dB/0.947 8，与高频敏感GAN （HFSGAN）相比，参数量降低75.58%，测试时间缩短36.36%。可见，与HFSGAN等方法相比， Trident GAN可在较少的计算负荷下提高了图像质量。

为了解决位姿估计中点云存在较多的相似特征和非对应点导致位姿估计精度低的问题，提出一种基于关键点距离的全局特征位姿估计方法。该方法使用关键点之间的距离构建全局特征，避免相似的局部特征对位姿估计精度的影响；同时，为了提升全局特征匹配速度，提出一种基于距离对照表的特征匹配策略，通过对照表对全局特征投票进行相似度量，从而在避免非对应点干扰的同时，有效地提高通过全局特征找寻对应关系的效率。最后，将这些对应关系使用基于对应图可靠性的外点去除策略（GROR）去除外点并得到转换位姿。在4个公开数据集上的实验结果显示，相较于快速点特征直方图（FPFH）、方向直方图签名（SHOT）和二值化方向直方图签名（BSHOT）3个特征描述子，所提方法在特征匹配的精度-召回率曲线下区域面积指标分别平均提升了116%、169%和137%；相较于原GROR，所提方法在旋转误差和平移误差上分别降低了47.38%和52.43%。

红外小目标检测（IRSTD）旨在从低信杂比（SCR）的红外图像中精准找到目标，在多个领域获得了非常广泛的应用。然而，现有方法因目标特征微弱和背景干扰严重，难以有效提取目标结构性信息，进而导致目标分割不完整和检测精度低等问题，并且模型参数量较大。为了解决以上问题，提出双编码空频混合的IRSTD方法。首先，采用U-Net3+作为基本框架，并在编码阶段提出一种多形状上下文感知（MSCA）模块和频域交互注意力（FDIA）模块相结合的双编码结构来提取空频混合特征；其次，在解码阶段设计跨层特征引导（CLFG）模块来融合多尺度下的特征图；最后，所提方法分别在NUAA-SIRST和IRSTD-1k数据集上进行了实验验证。结果表明，所提方法的参数量为0.86×10⁶，交并比（IoU）分别达到了78.11%和69.08%，与注意力多尺度特征融合U型网络（AMFUNet）方法相比，参数量减少了1.31×10⁶， IoU分别提升了2.25和1.23个百分点。可见，所提方法在保留较少参数量的同时具有较高的检测性能。

夜间目标检测受限于低光照条件和高质量标注数据的匮乏，目标特征提取困难，目标检测精度不高。因此，提出一种具有光度对齐的域适应夜间目标检测方法。首先，设计一种夜间域适应光度对齐模块，将有标记的白天源域图像转换为对应的夜间目标域图像，即通过光度对齐弥合源域与目标域之间的差距，解决低光照条件下难以获取准确夜间目标注释的问题；其次，采用CNN-Transformer混合模型作为检测器，即以CSwin Transformer作为主干网络提取多层次的图像特征，并将提取特征输入特征金字塔网络中，提升模型对多尺度目标的检测能力；最后，引入Outlook注意力解决光照不足导致的图像细节不明显问题，提升模型在光照变化和阴影等复杂环境下的鲁棒性。实验结果表明，在公共数据集BDD100K上，所提方法的平均精度均值（mAP）@0.5达到了50.0%，比2PCNet （two-Phase Consistency Network）方法提高4.2个百分点；在公共数据集SODA10M上，所提方法的mAP@0.5达到了45.4%，比SFA （Sequence Feature Alignment）方法提高0.9个百分点。

针对现有小样本目标检测（FSOD）算法中类级原型生成精度不足以及细节信息缺失导致的目标区域特征表达能力受限的问题，提出一种基于代理原型聚合（APA）的FSOD算法APA-FSOD。该算法通过代理注意力将支持特征蒸馏为细节丰富的原型，并基于原型向量的相关性实现原型向量在查询特征图上的精准分配，从而显著强化目标实例区域的特征表达能力。此外，设计小波卷积增强模块（WCEM）和自适应多关系融合模块（AMRF），并分别用于优化算法的全局特征提取和高级特征融合。实验结果表明，在PASCAL VOC数据集的3种新类划分下， APA-FSOD的nAP50相较于基线方法VFA （Variational Feature Aggregation）提升了0.5~1.1个百分点；而在MS COCO数据集的30-shot设置下，与元学习方法SMPCCNet （Support-query Mutual Promotion and Classification Correction Network）相比， nAP提升了1.0个百分点。可见，所提算法显著提高了FSOD的精度。

针对深海拍摄会导致水下图像色彩偏移、对比度过低和结构不清晰等问题，提出一种基于多尺度感知的多维空间融合水下图像增强算法，结合空间、通道和三维特征将图像信息并行传入多维特征提取网络和编码器中。首先，在多维特征提取网络中引入多尺度特征精炼模块进一步处理提取到的特征信息，使网络更准确地学习不同尺度的信息；然后，在编码器中引入多维色彩增强模块，增强图像细节和色彩；最后，设计自适应增强网络来进一步处理特征信息并融合多级信息，再通过解码器得到最终的增强图像。在公开数据集上的实验结果表明，所提算法表现优异，它的峰值信噪比（PSNR）和结构相似性（SSIM）最高分别达到24.865 1 dB和0.895 4，比混合融合方法（HFM）分别提升了1.580 6 dB和0.039 8；水下色彩质量评价（UCIQE）和水下图像质量测量（UIQM）最高分别达到0.593 1和3.102 8，比HFM分别提升了0.038 4和0.151 4。可见，所提算法能有效提升水下视觉效果。

针对现有的三维人脸生成方法中潜在特征解释性不足、解耦能力有限以及身份一致性不佳等问题，提出一种基于潜在特征增强进行解耦的三维人脸生成方法（LFED）。首先，采用层次聚类技术构建向量离散化模块，以促进潜在特征对先验知识的吸收，提升解耦性能；其次，设计位置注意力模块，通过逐元素求和操作，选择性整合潜在特征的位置信息，确保生成人脸的身份一致性；最后，结合先验知识与位置信息，采用最大归一化技术，增强潜在特征在人脸生成过程中的可解释性。实验结果表明，所提方法在潜在特征解耦指标变异可预测性（VP）上的精度达到95.67%，与小批次特征交换解纠缠方法SD-VAE （Swap Disentangled Variational Auto-Encoder）、局部特征投影解纠缠方法LED-VAE （Local Eigenprojection Disentangled Variational Auto-Encoder）和球谐函数局部特征投影方法SHLED-VAE （Latent Feature Enhanced for Disentanglement Variational Auto-Encoder ）相比，分别提升了14.96、14.33和12.46个百分点。可见，所提方法在保持良好的表示与重建能力的同时，解耦性能有大幅提升。

针对现有的三维视觉定位方法依赖昂贵传感器设备、系统成本高且在复杂多目标定位中准确度和鲁棒性不足的问题，提出一种基于单目图像的多目标三维视觉定位方法。该方法结合自然语言描述，在单个RGB图像中实现对多个三维目标的识别。为此，构建一个多目标视觉定位数据集Mmo3DRefer，并设计跨模态匹配网络TextVizNet。TextVizNet通过预训练的单目检测器生成目标的三维边界框，并借助信息融合模块与信息对齐模块实现视觉与语言信息的深度整合，进而实现文本指导下的多目标三维检测。与CORE-3DVG （Contextual Objects and RElations for 3D Visual Grounding）、3DVG-Transformer和Multi3DRefer （Multiple 3D object Referencing dataset and task）等5种方法对比的实验结果表明，与次优方法Multi3DRefer相比，TextVizNet在Mmo3DRefer数据集上的F1-score、精确度和召回率分别提升了8.92%、8.39%和9.57%，显著提升了复杂场景下基于文本的多目标定位精度，为自动驾驶和智能机器人等实际应用提供了有效支持。

近年来，随着低地球轨道（LEO）卫星数量的增加和性能的提升， LEO卫星星座承担了更广泛的在轨任务，进而导致卫星数据的传输量呈指数级增长。新兴的激光通信（LC）技术凭借更高带宽的优势显著提升了星间链路（ISL）数据通信的效率。然而，基于LC的星间通信必须先进行发射天线和接收天线的对准，且该对准过程会产生较高的时间开销。不仅如此，卫星上的激光收发天线数量有限将增加通信延迟，而不合理的激光路由通信链路规划策略还将进一步增加通信延迟。为了应对以上挑战，研究激光天线对准开销的卫星路由通信链路规划问题，并将该问题转化为一个混合整数线性规划（MILP）问题，以降低数据传输总通信时间；由于该问题被证明为NP难问题，提出一种中继卫星激光路由规划（RSLR）低开销近似算法；将RSLR算法与基于平均延迟的持久路由（ALPR）和最少跳最早到达路由（MHEA）进行对比。实验结果表明，与ALPR算法和MHEA算法相比，RSLR算法能将卫星数据传输的延迟分别降低10.3%和12.5%，验证了所提算法在降低通信延迟方面的有效性。

针对多目标带时间窗的车辆路径问题（VRP），提出一种融合变异策略与邻接信息的差分进化算法（DE-MSAI）。首先，利用精英抽样策略设计4种变异操作，增加算法搜索的广度；其次，结合客户邻接信息矩阵引导个体进行邻域搜索，提升局部优化效率；最后，基于模拟退火准则以一定的概率接受劣解。在迭代过程中， 如果Pareto非支配解集连续未被改善的次数超过阈值，则启动精英碎片保护策略随机选择一个非支配解集中的解进行扰动，以维持种群的多样性。基于Solomon标准库中算例的仿真实验结果表明，所提算法相较于混合乌鸦算法（HCSA）的求解误差控制在0.07%以内；相较于基于聚类的混合大邻域搜索算法（K-means-ILNSA），所提算法在绝大多数算例中表现更优，路线偏差指标平均降低了4.51%，验证了算法的有效性。

为了高效解决带时间窗的车辆路径规划问题（VRPTW），提出一种混合粒子群优化（HPSO）算法。该算法采用部分匹配交叉（PMX）替代传统粒子更新方式，结合最劣近邻粒子选择与轮盘赌机制增强多样性，并通过动态权重调整策略平衡全局探索与局部开发能力；设计融合2-opt翻转、顺序插入和交换操作的变邻域搜索（VNS）优化解质量，并基于贪婪算法快速生成优质初始解。实验结果表明，在Solomon标准测试集上， HPSO算法在25和50个顾客的数据集中的69%的测试问题上的解与已知最优解差距保持在1%以内，在100个顾客的C类测试问题上几乎接近最优解结果，表明它在求解复杂VRPTW上的有效性和竞争力；在100个顾客的数据集上，相较于邻域综合学习粒子群（N-CLPSO）算法，HPSO算法在RC102测试问题上标准差至少降低2.4%，在C101和R101测试问题上的收敛速度平均提升了41%（59%和23%）。HPSO算法通过多策略协同优化，能显著提升复杂VRPTW的求解精度、收敛效率与鲁棒性。

针对在实现个性化车辆轨迹数据隐私保护的同时保证轨迹语义数据的有效性和挖掘分析价值的问题，提出一种基于改进生成对抗网络（GAN）的车辆轨迹语义保护机制。在该机制中：首先，设计一种基于隐马尔可夫模型（HMM）的位置敏感分级语义标注方法，用于从车辆轨迹中提取出有效的停留点，并对停留点进行敏感等级划分和语义标注；其次，将长短期记忆（LSTM）网络引入改进的GAN中，构建基于动态GAN的语义轨迹合成模型，利用GAN模型进行训练以生成高质量的合成轨迹；最后，针对合成轨迹中需要进一步隐私保护的停留点，提出一种结合位置敏感等级的差分隐私个性化保护算法，该算法根据停留点的敏感等级和停留点之间的相关性为停留点分配隐私预算，并且结合拉普拉斯机制注入噪声实现隐私保护，最大限度地保证轨迹数据保护后的可用性。实验结果表明，相较于LSTM-TrajGAN模型，所提出的框架互信息（MI）值降低了27.58%，语义轨迹相似度提高了24.4%。可见，所提机制在保证语义轨迹数据可用性的同时有效保护了用户隐私。

为了解决模型版权保护和深度伪造检测中的图像真实性验证问题，提出高质量和高鲁棒性的面向扩散模型输出的水印方法DeWM （Decoder-driven WaterMarking for diffusion model）。首先，提出一种由解码器驱动的水印嵌入网络来实现编码器和解码器特征的直接共享，从而生成有高鲁棒性和不可见性的水印；其次，设计一种微调策略来对预训练扩散模型的解码器进行微调，并使生成的所有图像隐含特定水印，从而在不改变模型架构和扩散过程的前提下，实现简单且有效的水印嵌入。实验结果表明，在MS-COCO数据集上与潜在扩散模型水印方法Stable Signature相比，在水印位数提高至64位时，所提方法生成的水印图像的峰值信噪比（PSNR）与结构相似度（SSIM）分别增加了14.87%和9.41%，且所提方法针对裁剪、亮度调整和图像重建攻击的水印提取的位精度平均提升了3%，鲁棒性显著提高。

针对现有混沌系统参数范围小以及加密算法扩散效果不佳的问题，提出一种新型级联混沌系统和滤波扩散模型，并实现一种不限图像尺寸的彩色图像加密算法。首先，设计一种新的二维级联Henon映射、Sine映射和Iterative映射的混沌系统（2D-SIHC），同时加入线性函数扩展参数范围。在该系统迭代生成的二维序列中，一维用于置乱像素位置，另一维用于更新滤波模板和扩散操作。其次，为避免密钥重复使用导致算法安全性降低的问题，使用SHA-512算法结合明文图像，通过标志位与权重的计算生成密钥。再次，为了增强算法的扩散效果，设计二维滤波扩散模型，不同于传统滤波扩散通过固定模板遍历改变图像像素值，新扩散模型引入混沌序列以不断更新滤波模板值，从而动态改变图像像素值，最后完成加密。实验结果表明，以Airplane图像为例，所提算法的像素变化率（NPCR）和统一平均变化强度（UACI）可以分别达到99.605 9%和33.397 1%，非常接近理想值；此外，所提算法能抵抗强度为0.2的噪声干扰和缺失50%的裁剪攻击，且加密效率高。

针对物联网大量冗余图像数据的传输和存储带来的高资源需求和隐私泄露隐患问题，提出一种面向物联网图像的深度压缩感知（DCS）网络及其混沌加密保护方法。首先，提出一种改进的DCS网络用于图像的高质量压缩重构，该网络通过通道注意力机制改进传统深度重构网络中的残差块，并结合多尺度分支与融合模块进行并行融合设计，改进了传统的基于卷积层残差堆叠的深度重构网络的重构性能；其次，提出一种腔体混沌系统通过球坐标变换和2组奇偶控制的阶梯函数实现球形腔体在X、Y、Z任意单方向或者双方向的腔体拓展，具有较好的混沌特性和随机性，可有效用于图像加密；最后，结合提出的DCS网络和多腔体混沌系统，基于混沌索引置乱和扩散方法对DCS的测量图像进行加解密设计，并进行详细的安全性分析，从而保证图像传输的安全性。实验结果表明，相较于DCS的经典方法CSNet+，该DCS网络重构图像的峰值信噪比（PSNR）平均增长了0.606 dB（0.25~1.42 dB），结构相似性指数（SSIM）平均提高了1.11个百分点（0.69~2.17个百分点）。

伴随RESTful API在现代Web服务中的普及，安全问题日益凸显。而现有的主流API识别与漏洞检测工具依赖API文档或公开路径进行扫描，在识别隐藏API或无文档API时效果有限，在复杂或动态API环境下漏洞误报率高。针对这些挑战，基于上下文协议（MCP）无缝通信智能体，提出一种隐藏API发现和漏洞检测的智能体系统A2A （Agent to API vulnerability detection）来实现从API发现到漏洞检测的全流程自动化。A2A通过自适应枚举和HTTP响应分析自动识别潜在的隐藏API端点，并结合服务特定的API指纹库进行隐藏API的确认和发现。A2A在API漏洞检测上则是结合大语言模型（LLM）与检索增强生成（RAG）技术，并通过反馈迭代优化策略，自动生成高质量测试用例以验证漏洞是否存在。实验评估结果表明，A2A的平均API发现率为91.9%，假发现率为7.8%，并成功发现NAUTILUS和RESTler未能检测到的多个隐藏API漏洞。

针对传统的后门攻击缺乏隐蔽性与灵活性的问题，提出一种基于特征调控与颜色分离的净标签多后门攻击方法，以信息隐藏框架为基础，训练中毒网络嵌入触发器。首先，以图像边缘作为触发器，设计特征调控策略，结合对抗扰动与代理模型辅助训练中毒网络，增强触发器特征的显著性；其次，提出颜色分离策略对触发器进行着色，赋予触发器可区分的RGB空间颜色并设置与颜色相对应的one-hot目标置信度引导训练，从而保证触发器特征的可区分性。为了验证所提方法的有效性，分别在3个数据集（CIFAR-10、ImageNet-10和GTSRB）上以及5种模型上进行实验。结果表明，在单后门场景下，所提方法的攻击成功率（ASR）在3个数据集上均超过98%，分别超过次优方法7.94、1.70和8.61个百分点；在多后门场景下，所提方法在ImageNet-10数据集上的ASR达到90%以上，平均ASR超过次优方法36.63个百分点。而消融实验的结果也验证了特征调控与颜色分离策略的合理性及对抗扰动与代理模型的贡献，多后门实验的结果展示了所提攻击方法的灵活性。

针对时间序列数据中周期复杂性和高频噪声导致的预测困难，提出一种基于统计分布感知与频域双通道融合的时序预测模型，旨在缓解数据漂移、抑制噪声干扰并提高预测精度。首先，通过窗口重叠切片对原始时序数据进行处理，计算各切片的数据统计分布并进行归一化，再利用多层感知器（MLP）预测未来数据的统计分布；其次，将归一化后的序列经过自适应时频转换，并通过通道独立编码器和通道交互学习器强化频域内和通道间的关联特征，从而获取多尺度频域表征；最后，采用线性预测层完成频域到时域的逆变换，模型在输出阶段利用未来数据的统计分布进行逆归一化操作，从而生成最终预测结果。与当前主流的时序预测模型PatchTST （Patch Time Series Transformer）的对比实验结果表明，所提模型在Exchange、ETTm2和Solar数据集上的均方误差（MSE）平均降低了5.3%，平均绝对误差（MAE）平均降低了4.0%，体现了良好的噪声抑制能力和预测性能。消融实验结果进一步表明，数据统计分布感知、自适应频域与双通道融合模块在提升预测准确性方面都具有显著贡献。

为了解决会话推荐模型忽略项目之间的时间信息和空间关系，导致无法准确捕获项目之间复杂转换模式的问题，提出一种时间感知和空间增强的双通道图神经网络（GNN）的会话推荐模型。首先，对于时间通道，采用自适应时间权重对项目进行处理，以构建时间感知的会话图，并通过时间感知的GNN捕获用户的兴趣转移模式；其次，对于空间通道，将项目之间的空间关系嵌入一个图注意力网络（GAT）中，以从空间图结构的角度对信息进行聚合；最后，引入一种对比学习策略增强推荐效果。在Diginetica、Tmall和Nowplaying 3个公开数据集上，将所提模型与Atten-Mixer（multi-level Attention Mixture network）和GCE-GNN（Global Context Enhanced GNN）等基线模型进行对比实验，实验结果表明，所提模型的精确率（P）和平均倒数排名（MRR）取得了更优的效果。相较于次优结果，所提模型的P@10分别提高了2.09%、24.97%和10.45%， MRR@10分别提高2.52%、11.60%和4.43%。

为了解决长尾效应研究中划分热门物品和长尾物品时未能充分考虑用户个性化行为的问题，提出一种融合用户行为和改进长尾算法的推荐方法。首先，使用基于Transformer的双向编码器表示（BERT）对物品属性信息进行编码，并根据编码结果对物品执行聚类操作，同时根据用户与不同聚类的交互记录为用户重新划分个性化的热门物品和长尾物品，从而将用户个性化行为融入热门物品的划分过程中；其次，根据交互记录评估用户的流行度敏感度，从而充分考虑流行度因素对用户的影响程度；最后，提出一种新的负采样方法对不同流行度敏感度的用户采用不同的负采样策略，并融合用户偏好聚类筛选出质量更高的负样本。在3个公开的真实数据集上的实验结果表明，所提个性化划分方法相较于传统八二划分方法在召回率、命中率（HR）和归一化折损累积增益（NDCG）等指标上均有提升；在重采样中，3个数据集中的原始数据、热门数据和长尾数据的NDCG@20指标平均值分别提升了0.45、1.03和2.33个百分点；所提负采样方法与最优基线模型NNS （Noise-free Negative Sampling）相比，在HR和NDCG等指标上均有提升，其中在原始数据、热门数据和长尾数据的NDCG@20指标平均值上分别提升了2.72、1.37和5.93个百分点，验证了所提负采样方法的有效性。

针对现有的深度文档聚类方法在处理动态文档数据时，文档主题随时间演化过程中存在主题混淆和对齐不准确问题，提出一种深度演化主题聚类模型（DETCM）。DETCM可以捕捉动态文档随时间演化的主题信息，结合历史主题信息与当前时间片文档特征，发掘事件主题演化脉络，生成动态文档主题表示。具体来说，为了解决主题随时间演变时的主题混淆问题，设计了基于混合编码器的主题融合学习模块，借助前置时间片的主题信息，加强当前时间片的主题区分度与特征提取。此外，还设计了一种跨时间片的动态主题继承模块，通过将不同时间片上的主题匹配对齐，有效地将历史时间片上的主题信息融入当前时间片的类簇划分过程中。这一设计使得DETCM学习主题时能够继承并借鉴历史时间片的主题信息，有效跟踪动态文本主题持续演化的过程。基于arXiv真实演化文本文档数据集的实验结果表明，相较于深度演化聚类模型DEDC-IMAE （Deep Evolutionary Document Clustering model with Instance-level Mutual Attention Enhancement）， DETCM在所有时间片上的标准化互信息（NMI）指标平均提升了3.08%（-0.37%~5.43%），验证了DETCM在动态场景中具有更好的主题演化追踪能力，能够更准确地捕捉主题的时序变化特征，实现更优的聚类性能。

针对区块链系统链上数据查询中查询效率低和查询类型少的问题，提出一种区块间索引模型。首先，对于区块中的离散型属性，提出倒排布隆过滤器（IBFS）索引；使用该索引查询数据时无需遍历全部区块，可以在O（1）时间复杂度内定位到目标区块；其次，对于连续型属性，使用聚类算法计算区块内数据的细粒度分布区间，并结合区块内数据的最大最小值构建双层聚类链表（DLCC）索引，从而在查询数据时可过滤更多不含目标数据的区块；最后，在所提索引模型的基础上，设计并实现多种查询算法。实验结果表明，与树型布隆过滤器索引相比， IBFS索引占用的存储空间降低了51.0%，定位到目标区块的时间减少了75.9%；与起止区间索引相比， DLCC索引在范围查询时定位到的区块数减少了55.5%。

针对单一语音情感特征对语音信息表征不全面及模型对语音特征利用率低的问题，提出一种基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法。该方法引入噪声、音量和音速增强器对数据进行增强，以使模型学习到多样化数据特征，并将基频、时域以及频域特征进行多特征融合，从不同角度全面表达情感信息。此外，在双向长短时记忆（BiLSTM）网络的基础上引入卷积神经网络（CNN）捕获输入数据的空间相关性，并提取更具代表性的特征。同时，构建简化加性注意力（SAA）机制，简化显式查询键和查询向量，使注意力权重计算不依赖于特定查询信息，而不同维度的特征能基于注意力权重进行相互关联和影响，特征之间的信息得以交互和融合，从而提高特征的有效利用率。实验结果表明，该方法在EMO-DB、CASIA和SAVEE数据集上分别达到了87.02%、82.59%和73.13%的加权精度，相较于增量卷积（IncConv）、异构并行卷积双向长短期记忆（NHPC-BiLSTM）和动态卷积递归神经网络（DCRNN）等基线方法，分别提升了0.52~9.80、2.92~23.09和3.13~16.63个百分点。