在集成算法中嵌入代价敏感和重采样方法是一种有效的不平衡数据分类混合策略。针对现有混合方法中误分代价计算和欠采样过程较少考虑样本的类内与类间分布的问题，提出了一种密度峰值优化的球簇划分欠采样不平衡数据分类算法DPBCPUSBoost。首先，利用密度峰值信息定义多数类样本的抽样权重，将存在“近邻簇”的多数类球簇划分为“易误分区域”和“难误分区域”，并提高“易误分区域”内样本的抽样权重；其次，在初次迭代过程中按照抽样权重对多数类样本进行欠采样，之后每轮迭代中按样本分布权重对多数类样本进行欠采样，并把欠采样后的多数类样本与少数类样本组成临时训练集并训练弱分类器；最后，结合样本的密度峰值信息与类别分布为所有样本定义不同的误分代价，并通过代价调整函数增加高误分代价样本的权重。在10个KEEL数据集上的实验结果表明，与现有自适应增强（AdaBoost）、代价敏感自适应增强（AdaCost）、随机欠采样增强（RUSBoost）和代价敏感欠采样自适应增强（USCBoost）等不平衡数据分类算法相比，DPBCPUSBoost在准确率（Accuracy）、F1分数（F1-Score）、几何均值（G-mean）和受试者工作特征（ROC）曲线下的面积（AUC）指标上获得最高性能的数据集数量均多于对比算法。实验结果验证了DPBCPUSBoost中样本误分代价和抽样权重定义的有效性。

充分利用视频中的时空上下文信息能明显提高目标跟踪性能，但目前大多数基于深度学习的目标跟踪算法仅利用当前帧的特征信息来定位目标，没有利用同一目标在视频前后帧的时空上下文特征信息，导致跟踪目标易受到邻近相似目标的干扰，从而在跟踪定位时会引入一个潜在的累计误差。为了保留时空上下文信息，在SiamMask算法的基础上引入一个短期记忆存储池来存储历史帧特征；同时，提出了外观显著性增强模块（ASBM），一方面增强跟踪目标的显著性特征，另一方面抑制周围相似目标对目标的干扰。基于此，提出一种基于时空上下文信息增强的目标跟踪算法。在VOT2016、VOT2018、DAVIS-2016和DAVIS-2017等四个数据集上进行实验与分析，结果表明所提出的算法相较于SiamMask算法在VOT2016上的准确率和平均重叠率（EAO）分别提升了4个百分点和2个百分点；在VOT2018上的准确率、鲁棒性和EAO分别提升了3.7个百分点、2.8个百分点和1个百分点；在DAVIS-2016上的区域相似度、轮廓精度指标中的下降率均分别降低了0.2个百分点；在DAVIS-2017上的区域相似度、轮廓精度指标中的下降率分别降低了1.3和0.9个百分点。

针对应用于联盟链的实用拜占庭容错（PBFT）共识算法网络结构静态、主节点选取随意和通信开销较大的问题，提出了一种改进的实用拜占庭容错（EPBFT）共识算法。首先，给共识节点设置一系列活动状态使得节点通过状态转换在系统中拥有完整生命周期，由此节点可以动态地加入和退出，系统拥有动态的网络结构。其次，对PBFT的主节点选取方式加以改进，增加以最长链为选举原则的主节点选举过程。在主节点选举完成之后，通过数据同步和主节点验证过程进一步保证主节点的可信性。最后，优化PBFT算法的共识流程以提高共识效率，使得EPBFT算法的通信开销在视图变更较少发生的情况下降低为PBFT算法的1/2。实验结果表明，EPBFT算法具有较好的有效性和实用性。

为了解决社区卫生服务中心医疗资源利用率低、与社区居民联系不紧密、居民平时无法参与个人健康管理和居民看病难的问题,设计开发了"智慧健康社区系统",将社区卫生服务中心的相关业务和日益普及的移动设备相联系,对社区卫生服务中心的健康档案管理、慢病管理、计划免疫、预约挂号、医药信息查询等流程提供业务支撑,实现了医院信息系统(HIS)与智能手机、平板电脑的数据共享和交互,让居民能够主动参与到个人健康管理中来.该系统已搭建部署运行在成都市某社区卫生服务中心,极大地方便了社区居民对个人健康的管理,提高了社区卫生服务中心的工作效率和服务质量.