上下文信息的使用在语音增强任务中具有重要作用。针对全局语音利用不充分的问题，提出一种用于复数频谱映射的门控膨胀卷积循环网络（GDCRN）。GDCRN包含编码器、门控时间卷积模块（GTCM）和解码器这3部分，编码器和解码器是非对称的网络结构。首先，编码器利用门控膨胀卷积模块（GDCM）扩大感受野，处理特征；其次，使用GTCM捕获更长的上下文信息，并选择性传递特征；最后，解码器使用结合门控线性单元（GLU）的反卷积，反卷积与编码器中对应层的卷积层使用跳跃连接，并引入通道时频注意力（CTFA）机制。实验结果表明，相较于时间卷积神经网络（TCNN）、门控卷积循环网络（GCRN）等网络，所提网络的参数量和训练时间更少，客观语音质量评估（PESQ）和短时客观可懂度（STOI）都有显著改善，最高可提升0.258 9和4.67个百分点，具有更好的增强效果与更强的泛化能力。

针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题，提出一种基于改进Res-UNet（Residual network-UNetwork）的昼夜地基云图分割网络CloudRes-UNet（Cloud ResNet-UNetwork），整体采用编码器-解码器的网络结构。首先，编码器使用ResNet50提取特征，增强特征提取能力；其次，设计多级特征提取（Multi-Stage）模块，该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧，获取高强度语义信息；再次，加入高效通道注意力（ECA?Net）模块，在通道维度上聚焦重要信息，加强对地基云图中云区域的关注，提高分割精度；最后，解码器使用双线性插值对特征进行上采样，提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明，与当前基于深度学习表现较好的地基云图分割网络（Cloud-UNet）相比，CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点，平均交并比（MIoU）上升了1.4个百分点，更准确地获取了云量信息，对天气预报、气候研究和光伏发电等方面具有积极意义。

针对现有基于深度学习的篡改图像检测网络通常存在检测精度不高、算法可迁移性弱等问题，提出一种双通道渐进式特征过滤网络。利用两个通道并行提取图像的双域特征，一个通道提取图像空间域的浅层和深层特征，另一个通道提取图像噪声域的特征分布；同时，使用渐进式细微特征筛选机制过滤冗余特征，逐步定位篡改区域；为了更准确地提取篡改掩码，提出一个双输入细微特征提取模块，结合空间域和噪声域的细微特征，生成更准确的篡改掩码；在解码过程中，通过融合不同尺度的过滤特征和网络的上下文信息，提高网络对篡改区域的定位能力。实验结果表明，在检测和定位方面，与现有先进的篡改检测网络ObjectFormer、MVSS-Net（Multi-View multi-Scale Supervision Network）和PSCC-Net（Progressive Spatio-Channel Correlation Network）相比，所提网络的F1分数在CASIA V2.0数据集上分别提高10.4、5.9和12.9个百分点；面对高斯低通滤波、高斯噪声和JPEG压缩攻击时，相较于ManTra-Net（Manipulation Tracing Network）、SPAN（Spatial Pyramid Attention Network），所提网络的曲线下面积（AUC）分别至少提高了10.0、5.4个百分点。验证了所提网络可以有效解决篡改检测算法存在的检测精度不高、迁移性差等问题。

脑胶质瘤是由于大脑和脊髓胶质癌变产生的、最常见的原发性颅脑肿瘤，其中恶性脑胶质瘤占比大且致死率高。利用磁共振成像（MRI）图像对脑胶质瘤定量分割和分级是目前诊治脑胶质瘤的主要方法。为提升脑胶质瘤的分割精度与速度，提出一种基于3D-Ghost卷积神经网络（CNN）的脑胶质瘤MRI图像分割算法：3D-GA-Unet。3D-GA-Unet以3D U-Net（3D U-shaped Network）为基础框架，设计基于3D-Ghost CNN模块，利用线性运算增加有用信息输出、减少传统CNN中的冗余特征；添加基于坐标注意力（CA）的模块，利于获取更多于分割精度有利的图像信息。在公共脑胶质瘤数据集BraTS2018进行训练和验证，实验结果表明，3D-GA-Unet脑胶质瘤分割结果的周围水肿区域（WT）、坏死核心区域（TC）和增强肿瘤区域（ET）的平均Dice相似系数（DSC）分别达到0.863 2、0.847 3和0.803 6，平均敏感度分别达到0.867 6、0.949 2和0.831 5。3D-GA-Unet能精准分割脑胶质瘤图像，进一步提升分割效率，对脑胶质瘤的临床诊断有积极的意义。

间质性肺病（ILD）的分割标签标注成本极高，且现有数据集通常存在样本量较少的问题，导致训练的模型效果较差。针对该问题，提出一种基于多任务学习的ILD分割算法。首先，基于U-Net构建多任务分割模型；其次，使用生成的肺部分割标签作为辅助任务标签进行多任务学习；最后，使用一种自适应调整多任务损失函数权重的方法，平衡主任务和辅助任务的损失。在自构建的ILD数据集上的实验结果表明，多任务分割模型的Dice相似系数（DSC）达到了82.61%，与U-Net相比提升了2.26个百分点。验证了所提算法可以提升ILD的分割性能，协助临床医生进行ILD诊断。

面对运动幅度较大的复杂场景，当前的视频超分辨率（VSR）算法在处理长序列时无法充分利用不同距离的帧间信息，难以精确地恢复遮挡、边界和多细节区域。为解决上述问题，提出一种基于帧间跨越光流机制的VSR模型。首先，通过密集残差块（RDB）提取低分辨率视频帧（LR）的浅层特征；其次，通过光流空间金字塔网络（SPyNet）以不同时间长度的跨越光流对视频帧进行运动估计和运动补偿，并通过RDB对帧间信息进行深层特征提取与矫正；最后，融合浅层特征与深层特征，并通过上采样得到高分辨率视频帧（HR）。在REDS4公开数据集上的实验结果表明，所提模型与经典的非显式运动补偿的动态上采样滤波器视频超分辨率网络（DUF-VSR）相比，峰值信噪比（PSNR）和结构相似性（SSIM）分别提升了1.07 dB和0.06。验证了所提模型可有效提高视频图像重建的质量。

现有的图像美学质量评价方法普遍使用卷积神经网络（CNN）提取图像特征，但受局部感受野机制的限制，CNN较难提取图像的全局特征，导致全局构图关系、全局色彩搭配等美学属性缺失。为解决该问题，提出基于自监督视觉Transformer（SSViT）模型的图像美学质量评价方法。利用自注意力机制建立图像局部块之间的长距离依赖关系，自适应地学习图像不同局部块之间的相关性，提取图像的全局特征，从而刻画图像的美学属性；同时，设计图像降质分类、图像美学质量排序和图像语义重构这3项美学质量感知任务，利用无标注的图像数据对视觉Transformer（ViT）进行自监督预训练，增强全局特征的表达能力。在AVA（Aesthetic Visual Assessment）数据集上的实验结果显示，SSViT模型在美学质量分类准确率、皮尔森线性相关系数（PLCC）和斯皮尔曼等级相关系数（SRCC）指标上分别达到83.28%、0.763 4和0.746 2。以上实验结果表明，SSViT模型具有较高的图像美学质量评价准确性。

在软件工程领域，基于语义相似的代码克隆检测方法可以降低软件维护的成本并预防系统漏洞，抽象语法树（AST）作为典型的代码抽象表征形式，已成功应用于多种程序语言的代码克隆检测任务，然而现有工作主要利用原始AST提取代码的语义，没有深入挖掘AST中的深层语义和结构信息。针对上述问题，提出一种基于依赖增强的分层抽象语法树（DEHAST）的代码克隆检测方法。首先，对AST进行分层处理，将AST划分得到不同的语义层次；其次，为AST的不同层次添加相应的依赖增强边构建DEHAST，将简单的AST变成具有更丰富程序语义的异构图；最后，使用图匹配网络（GMN）模型检测异构图的相似性，实现代码克隆检测。在BigCloneBench和Google Code Jam两个数据集上的实验结果显示，DEHAST能够检测100%的Type-1和Type-2代码克隆、99%的Type-3代码克隆和97%的Type-4代码克隆；与基于树的方法ASTNN（AST-based Neural Network）相比，F1分数均提高了4个百分点，验证了DEHAST可以较好地完成代码语义克隆检测。

代码复用为软件开发带来便利的同时也引入了安全风险，如加速漏洞传播、代码恶意抄袭等，代码相似性检测技术通过分析代码间词法、语法、语义等信息计算代码相似程度，是判断代码复用最有效的技术之一，也是近年发展较快的程序安全分析技术。首先，系统梳理代码相似性检测的近期技术进展，根据目标代码是否开源，将代码相似性检测技术分为源码相似性检测和二进制代码相似性检测，又根据编程语言、指令集的不同进行二次细分；其次，总结每一种技术的思路和研究成果，分析机器学习技术在代码相似性检测领域成功的案例，并讨论现有技术的优势与不足；最后，给出代码相似性检测技术的发展趋势，为相关研究人员提供参考。

低轨（LEO）卫星多波束通信场景下，传统固定资源分配算法无法满足不同用户对信道容量的差异需求。以适应用户需求分配为主要目标，建立联合信道分配、带宽分配和功率分配的最小供需差优化模型，并引入图样分割多址接入技术（PDMA）提升信道资源的利用率。针对该模型的非凸特性，通过Q-learning算法学习资源分配最优策略为每个用户分配适合的信道容量，并引入奖励阈值进一步改进算法，加快算法的收敛，且使算法达到收敛时供需差异更小。仿真结果表明，改进后的算法收敛速度约是改进前的3.33倍：改进算法能满足更大的用户需求，比改进前Q-learning算法提升14%，是传统固定算法的2.14倍。

正交时间序列复用（OTSM）可以以更低的复杂度实现类似正交时频空间（OTFS）调制的传输性能，为未来需要低复杂度收发器的高速移动性通信系统提供一种有前景的解决方法。针对现有的基于时域的高斯-赛德尔（GS）迭代均衡效率不高的问题，提出二级信号检测算法。首先在时域进行低复杂度线性最小均方误差（LMMSE）检测，其次采用连续超松弛（SOR）迭代算法进一步消除残余符号干扰。为进一步提高收敛效率和检测性能，对SOR算法进行线性优化得到改进SOR（ISOR）算法。仿真实验结果表明，与SOR算法相比，ISOR算法在增加较低复杂度前提下可以提升检测性能并加快算法收敛。与GS迭代算法相比，ISOR算法采用16QAM调制且误码率为 {\mathrm{10}}^{-\mathrm{4}} 时有1.61 dB的增益。

针对多接入边缘计算（MEC）服务器高可靠、低时延和大数据量的数据传输要求，基于无冲突接入、优先级架构和弹性服务技术，提出一种适用于车辆边缘计算场景下的媒体访问控制（MAC）调度策略。所提策略由车联网（IoV）路侧单元（RSU）集中协调信道接入权，优先确保车载网络中车载通信单元（OBU）与MEC服务器之间的链路传输质量，以及时传输车辆到网络（V2N）业务数据；同时，对本地OBU之间的业务采取弹性服务方式，增强密集车辆接入时应急消息传输的可靠性。首先，构建调度策略的排队分析模型；其次，根据各时刻系统状态变量的无后效性特点建立嵌入式马尔可夫链，并通过概率母函数的分析方法对系统进行理论分析，得到MEC服务器通信单元和OBU的平均排队队长、平均等待时延和RSU查询周期等关键指标的精确解析表达式。计算机仿真实验结果表明，统计分析结果与理论计算结果一致，所提调度策略在高负载情况下能够提高IoV的稳定性和灵活性。

针对距离矢量跳（DV-Hop）定位模型定位精度低、优化策略场景依赖性强的问题，提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳（FuncDV-Hop）定位模型。首先，分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因，引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正；其次，考虑多应用场景，用控制变量法，分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量，设计对照实验；最后，进行仿真定参和整合优化测试两阶段实验，最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%，平均优化率57.23%。实验结果表明，FuncDV-Hop模型的优化率最高达到了50.73%，与基于遗传算法和神经动力学改进的DV-Hop模型相比，FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量，不增加无线传感器网络（WSN）的协议开销，且有效提高定位精度。

无人机（UAV）协助下非正交多址接入（NOMA）使能的数据采集系统，考虑了地空概率信道模型和服务质量约束，并联合优化UAV三维布局设计和传感器功率分配最大化所有传感器的总能效。针对原混合整数非凸规划问题，提出了一种基于凸优化理论、深度学习理论和哈里斯鹰优化（HHO）算法的能效优化机制。在任意给定的UAV三维布局下，首先将功率分配子问题等价转化为凸优化问题；其次基于最优的功率分配方案，采用深度神经网络（DNN）构建从传感器位置到UAV三维布局的映射，并利用HHO算法离线训练最佳映射对应的模型参数。训练后的机制仅需执行少量代数运算并求解单个凸优化问题。仿真实验结果表明，在传感器数为12的情况下，相较于基于粒子群算法的遍历搜索机制，所提机制在仅损失约4.73%的总能效的情况下将运算时间降低了5个数量级。

在无线携能（SWIPT）支持下的全双工多认知中继网络中，为使能效谱效最大，选择能量收集最大的中继进行解码转发，以此形成一个能效谱效权衡最优化问题，采用变量变换和凹凸过程优化方法将该问题转换为凸优化问题。当权衡因子为0时，该优化问题等价于使谱效（SE）最大的优化问题；当权衡因子为1时，该优化问题等价于使系统消耗的能量最小问题。为求解该优化问题，提出一种可以直接得到使能效（EE）最大的权衡因子的改进算法，通过联合源节点发射功率和功率分割因子进行优化。所提算法分为两步：首先固定功率分割因子，得到使EE最优的源节点发射功率和权衡因子；其次，固定最优的源节点发射功率，利用能效谱效与功率分割因子之间的关系，求得最优的功率分割因子。仿真实验结果表明，相较于剩余其他中继组成的网络，能量收集最大的中继网络在EE和SE上都更优。在能效谱效方面，与只优化发射功率的方法相比，所提算法的EE提高了63%以上，SE提高了30%以上；所提算法EE和SE与穷举法相差不大，同时算法收敛较快。

针对空中计算网络中无线传感器的功率资源限制及其与现有无线通信网络的频谱竞争，研究一个包含信息通信和空中计算功能的认知无线网络，其中，主网络实现无线信息通信功能，次网络实现空中计算功能，且次网络中的传感器利用主网络基站发送的信号收集无线能量。考虑空中计算的均方误差（MSE）约束和网络中各节点的功率约束，基于随机信道不确定性构建目标函数为无线通信用户的和速率最大化的鲁棒资源分配优化问题，提出一个交替优化（AO）-改进的约束随机连续凸逼近（ICSSCA）算法，即AO-ICSSCA算法，将原鲁棒优化问题转换为确定性优化的子问题，并以交替的方式优化主网络基站的下行波束成形向量、次网络中传感器的功率因子和融合中心的融合波束成形向量。仿真实验结果表明，相较于改进前的约束随机连续凸逼近（CSSCA）算法，AO-ICSSCA算法能以更短的计算用时实现更好的优化性能。

针对多行程取送货车辆路径问题（VRP）收敛性与多样性相互制约的问题，提出一种融合自适应大邻域搜索（ALNS）算法和自适应邻域选择（ANS）的混合快速非支配排序遗传算法（NSGA-Ⅱ-ALNS-ANS）。首先，考虑初始解对算法收敛速度的影响，提出一种改进的后悔插入法以获得高质量初始解；其次，结合取送货问题特性，设计多组破坏和修复算子，以及多种邻域结构，提高算法的全局搜索能力和局部搜索能力；最后，设计基于随机采样的最佳拟合下降（BFD）算法与高效的可行解评价标准，生成路径分配方案。采用不同规模的标准公开算例进行仿真实验，与模因算法（MA）相比，所提算法的最优解质量提升了27%。实验结果表明，所提算法可快速得到满足多重约束的高质量车辆多行程路径分配方案，并在收敛性与多样性上优于对比算法。

量子动力学框架（QDF）是在优化算法量子动力学模型下得到的具有代表性和普遍意义的优化算法的基本迭代过程，差解接受是避免优化算法陷入局部最优、解决算法早熟问题的一种重要机制。为了在QDF中引入差解接受机制，以量子动力学模型为基础将差解视为粒子运动过程中遇到的势垒，利用量子隧道效应中的透射系数计算粒子穿透该势垒的概率，从而得到量子动力学模型下的差解接受准则：势垒估计准则（PBEC）。PBEC与势垒高度和宽度、粒子的质量均有关系，比经典的Metropolis接受准则更能全面地估计优化算法采样时遇到差解时的行为。实验结果表明，基于PBEC的QDF算法相较于基于Metropolis接受准则的QDF算法，在求解函数过程中算法跳出局部最优的能力更强、搜索效率更高，表明PBEC在量子优化算法中是一种可行且有效的差解接受机制。

为了在数据密集型工作流下有效降低缓存碎片整理开销并提高缓存命中率，提出一种持久性分布式文件系统客户端缓存DFS-Cache（Distributed File System Cache）。DFS-Cache基于非易失性内存（NVM）设计实现，能够保证数据的持久性和崩溃一致性，并大幅减少冷启动时间。DFS-Cache包括基于虚拟内存重映射的缓存碎片整理机制和基于生存时间（TTL）的缓存空间管理策略。前者基于NVM可被内存控制器直接寻址的特性，动态修改虚拟地址和物理地址之间的映射关系，实现零拷贝的内存碎片整理；后者是一种冷热分离的分组管理策略，借助重映射的缓存碎片整理机制，提升缓存空间的管理效率。实验采用真实的Intel傲腾持久性内存设备，对比商用的分布式文件系统MooseFS和GlusterFS，采用Fio和Filebench等标准测试程序，DFS-Cache最高能提升5.73倍和1.89倍的系统吞吐量。

量子技术的快速发展和量子计算效率的不断提高，以及Shor算法和Grover算法的出现，给传统公钥密码和对称密码的安全性造成了较大威胁。因此，基于Feistel结构设计的分组密码PFP算法，首先将轮函数的线性变换P融入Feistel结构的周期函数构造，推导得到PFP算法的4个5轮周期函数，比选择明文攻击模型下典型Feistel结构的周期函数多2轮，并通过实验验证正确性；进一步地，以其中一个5轮周期函数作为区分器，结合量子Grover算法和Simon算法，通过分析PFP密钥编排算法的特点对9、10轮PFP进行了安全性评估，得到正确密钥比特需要的时间复杂度为2²⁶、2^38.5，需要的量子资源为193、212个量子比特，可以恢复58、77比特密钥，优于已有不可能差分分析结果。

针对工业控制系统（ICS）数据匮乏、工控入侵检测系统对未知攻击检测效果差的问题，提出一种基于生成对抗迁移学习网络的工控系统未知攻击入侵检测方法（GATL）。首先，引入因果推理和跨域特征映射关系对数据进行重构，提高数据的可理解性和可靠性；其次，由于源域和目标域数据不平衡，采用基于域混淆的条件生成对抗网络（GAN）增加目标域数据集的规模和多样性；最后，通过域对抗迁移学习融合数据的差异性、共性，提高工控入侵检测模型对目标域未知攻击的检测和泛化能力。实验结果表明，在工控网络标准数据集上，GATL在保持已知攻击高检测率的情况下，对目标域的未知攻击检测的F1-score平均为81.59%，相较于动态对抗适应网络（DAAN）和信息增强的对抗域自适应（IADA）方法分别提升了63.21和64.04个百分点。

为解决数据混合存储导致精准查找速度慢、数据未分类分级管理造成安全治理难等问题，构建基于主从多链的数据分类分级访问控制模型，实现数据的分类分级保障与动态安全访问。首先，构建链上链下混合式可信存储模型，以平衡区块链面临的存储瓶颈问题；其次，提出主从多链架构，并设计智能合约，将不同隐私程度的数据自动存储于从链；最后，以基于角色的访问控制为基础，构建基于主从多链与策略分级的访问控制（MCLP-RBAC）机制并给出具体访问控制流程设计。在分级访问控制策略下，所提模型的吞吐量稳定在360 TPS（Transactions Per Second）左右。与BC-BLPM方案相比，发送速率与吞吐量之比达到1∶1，具有一定优越性；与无访问策略相比，内存消耗降低35.29%；与传统单链结构相比，内存消耗平均降低52.03%；与数据全部上链的方案相比，平均存储空间缩小36.32%。实验结果表明，所提模型能有效降低存储负担，实现分级安全访问，具有高扩展性，适用于多分类数据的管理。

针对BDLS（Blockchain version of DLS）共识算法在含有大量节点且具有层次结构的系统中共识效率低下的问题，提出一种基于BDLS的区块链共识改进算法HBDLS（Hierarchical BDLS）。首先，根据实际应用中节点的属性将节点分为两个层次，每个高层节点分别管理一个低层节点簇；其次，将所有低层节点进行分簇共识，并将共识结果汇报至相应的高层节点；最后，所有高层节点对低层的共识结果再次共识，通过高层共识的数据将被写入区块链。理论分析和仿真实验结果表明，在36个节点且单个区块包含4 500个交易的情况下，HBDLS的吞吐量相较于BDLS算法提高了21%；在44个节点且单个区块包含3 000个交易的情况下，HBDLS的吞吐量相较于BDLS算法提高了约52%；在44个节点且单个区块包含1个交易的情况下，HBDLS的共识时延相较于BDLS算法下降了26%。实验结果表明，在节点数多且交易量大的系统中，HBDLS能够大幅提高系统的共识效率。

信念峰值聚类（BPC）算法是一种基于模糊视角的密度峰值聚类（DPC）算法的新变体，它用模糊数学的观点刻画数据的分布特征与相关性。但BPC算法的信念值计算主要基于局部数据点信息，未考察数据集整体的分布和结构，且原始的分配策略鲁棒性弱。针对以上问题，提出一种基于信念子簇切割的模糊聚类算法（BSCC），所提算法结合了信念峰值和谱方法。首先，通过局部信念信息将数据集划分为众多高纯度子簇；其次，将子簇视作新样本，通过簇间的相似关系，利用谱方法进行割图聚类，从而耦合局部信息与全局信息；最后，将子簇内的点分配至子簇所在类簇以完成最终聚类。与BPC算法相比，BSCC在带有多子簇结构的数据集上具有明显优势，如在americanflag数据集和Car数据集上的准确率（ACC）分别提高了16.38个百分点和21.35个百分点。在合成数据集和真实数据集上的聚类实验结果表明，BSCC在调整兰德系数（ARI）、归一化互信息（NMI）和ACC这3个评价指标上整体优于BPC和其他7种聚类算法。

知识图谱（KG）作为一种辅助信息能够有效提高推荐模型的推荐质量，但现有的基于图神经网络（GNN）的知识感知推荐模型存在节点信息利用不均衡问题。为此，提出一种基于知识感知和跨层次对比学习的推荐方法（KCCL）。所提方法在GNN的知识感知推荐模型基础上引入对比学习范式，以缓解稀疏的交互数据和嘈杂的KG在信息聚合时节点间依赖的关系偏离真实表示导致节点信息利用不均衡的问题。首先，将用户?物品交互图和物品知识图整合为一个异质图，并通过基于图注意力机制的GNN实现用户和物品的节点表示；其次，在信息传播聚合层中加入一致的噪声进行数据增强，得到不同阶层的节点表示，并将获得的最外层节点表示与最内层节点表示进行跨层次对比学习；最后，联合优化推荐监督任务和对比学习辅助任务，得到最终各节点表示。在DBbook2014和MovieLens-1m数据集上的实验结果显示，相较于次优对比方法，KCCL的Recall@10分别提升了3.66%和0.66%，NDCG@10分别提升了3.57%和3.29%，验证了KCCL的有效性。

针对现有细粒度鸟类目标识别算法准确率不高的问题，提出一种鸟类目标检测算法YOLOv5-Bird。首先，在YOLOv5主干网络中引入基于混合域的坐标注意力（CA）机制，增大有价值的通道权重，以区分目标特征和背景中的冗余特征；其次，在原始主干网络中采用双层路由注意力（BRA）模块替换原网络中的部分C3模块，过滤低相关度的键值对信息，获得高效的长距离依赖关系；最后，使用WIoU（Wise-Intersection over Union）损失函数，增强算法对目标的定位能力。实验结果表明，YOLOv5-Bird在自建数据集上取得了82.8%的精确率和77.0%的召回率，比YOLOv5算法分别提高4.3和7.6个百分点，也优于增加其他注意力机制的算法。验证了YOLOv5-Bird在鸟类目标检测场景中具有较好的性能。

卷积神经网络（CNN）参数众多、分类边界复杂，对数据的局部特征较敏感，导致当CNN模型受到对抗攻击时，精度明显下降；而拓扑数据分析（TDA）方法更关注数据的宏观特征，天然具有对抗噪声和梯度攻击的能力。为此，提出一种耦合拓扑数据分析和CNN的图像分类算法MCN（Mapper-Combined neural Network）。首先，利用Mapper算法得到刻画数据集宏观特征的Mapper图，通过多视图的Mapper图对每一个样本点进行新的特征表示，并将新特征表示成二值向量；其次，结合新特征和CNN提取的隐藏层特征，增强隐藏层特征；最后，使用特征增强后的样本数据训练全连接的分类网络，完成图像分类任务。在MNIST和FashionMNIST数据集上，将MCN与纯卷积网络、单一Mapper特征分类算法进行对比，采用主成分分析（PCA）降维的MCN的初始分类精度提升了4.65%和8.05%；采用线性判别分析（LDA）降维的MCN的初始分类精度提高了8.21%和5.70%。实验结果表明，MCN分类精度更高，并且对抗攻击能力更强。

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征，同时增强反事实预测泛化能力，提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络（RVAENet）模型。针对混杂分布去偏问题，借鉴域适应思想，采用对抗学习机制对由变分自编码器（VAE）获得的隐含变量进行表示学习的分布平衡；在此基础上，通过学习样本倾向性权重对样本进行重加权，进一步缩小实验组（Treatment）与对照组（Control）样本间的分布差异。实验结果表明，在工业真实场景数据集的两个场景下，所提模型的提升曲线下的面积（AUUC）比TEDVAE（Treatment Effect with Disentangled VAE）分别提升了15.02%、16.02%；在公开数据集上，所提模型的平均干预效果（ATE）和异构估计精度（PEHE）普遍取得最优结果。

由于文本的模糊性和训练数据中位置信息的缺失，当前先进的扩散模型无法在文本提示的条件下准确控制生成对象在图像中的位置。针对这一问题，加入对象位置范围的空间条件，并基于U-Net中的交叉注意力图和图像空间布局的强关联性，提出一种注意力引导方法控制注意力图的生成，以控制对象的生成位置。具体地，基于稳定扩散（SD）模型，在U-Net层中的交叉注意力图生成的早期阶段，通过引入损失激发相应位置范围的高注意力值，减小范围外的平均注意力值，并在每一个去噪步骤中逐步优化隐空间中的噪声向量，从而控制注意力图的生成。实验结果表明，所提方法能明显控制一个或多个对象在生成图像中的位置，并在生成多个对象时能减少对象缺失、生成冗余对象和对象融合的现象。

在基于深度学习的三维点云语义分割算法中，为了加强提取局部特征细粒度能力和学习不同局部邻域之间的长程依赖性，提出一种基于注意力机制和全局特征优化的神经网络。首先，通过加性注意力的形式设计单通道注意力（SCA）模块和点注意力（PA）模块，前者通过自适应调节单通道中各点特征加强对局部特征的分辨能力，后者通过调节单点特征向量之间的重要程度抑制无用特征并减少特征冗余；其次，加入全局特征聚合（GFA）模块，聚合各局部邻域特征，以捕获全局上下文信息，从而提高语义分割精度。实验结果表明，在点云数据集S3DIS上，所提网络的平均交并比（mIoU）相较于RandLA-Net（Random sampling and an effective Local feature Aggregator Network）提升了1.8个百分点，分割性能良好，具有较好的适应性。