近期深度学习在药物-靶标亲和力（DTA）任务上受到极大关注，然而现有工作多将分子单一结构嵌入为向量，忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题，提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法，其核心模块为多视角分子结构嵌入（Mas）和多注意力特征融合（Mat）。首先，使用Mas模块将多视角分子结构嵌入到特征向量空间；然后，通过Mat模块融入分子特征层级的注意力机制，从而对不同视角的分子特征进行加权融合；其次，根据药物-靶标相互作用（DTI）执行两者特征级联；最后，利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比，所提方法的均方误差（MSE）在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明，注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。

针对大量数据手工标记的繁重性和单一影像中心磁共振成像（MRI）数据的有限性问题，提出了一种利用多影像中心有标签与无标签MRI数据的用于磁共振的半监督学习（MRSSL）方法，并将其应用在膝盖异常分类任务中。首先，运用了数据扩增方法来提供模型所需的归纳偏置；接着，融合了分类损失项和一致性损失项来约束人工神经网络并使之从数据中提取出具有辨别力的特征；然后，将这些特征用于MRI膝盖异常分类。此外，也提出了对应的仅利用有标签数据的完全监督学习（MRSL）方法。在给出同样的有标签样本时，将MRSL与MRSSL进行了比较，结果表明MRSSL的模型分类性能与泛化性能明显优于MRSL。最后，将MRSSL与其他半监督学习方法进行了比较。结果表明数据扩增在性能提升中起到了重要作用，并且MRSSL凭借更强的MRI数据包容性取得了最优的膝盖异常分类性能。

阿尔茨海默症（AD）是一种起病隐匿的进行性神经退行性疾病，会使患者的大脑脑区结构发生改变。为辅助医生对AD患者的病情做出正确判断，提出了一种改进的三维主成分分析网络（3DPCANet）模型，并结合被试者全脑均值低频波动振幅（mALFF）图像来对AD进行分类。首先，对功能磁共振成像（fMRI）数据进行预处理，计算出全脑mALFF图像；然后，利用改进的3DPCANet深度学习模型进行特征提取；最后，使用支持向量机（SVM）对不同阶段的AD患者的特征进行分类。实验结果显示，所提模型简单，鲁棒性好，且其在主观记忆衰退（SMD）与AD、SMD与晚期轻度认知障碍（LMCI）以及LMCI与AD上的分类准确率分别达到了92.42%、91.80%和89.33%，验证了提出方法的有效性和可行性。

针对阿尔兹海默症（AD）患者和正常（NC）人之间核磁共振成像（MRI）图像差别小、分类难度大的问题，提出了基于改进VGG网络的弱监督细粒度AD分类方法。该方法以弱监督数据增强网络（WSDAN）为基本模型，主要由弱监督注意力学习模块、数据增强模块及双线性注意力池化模块等构成。首先，通过弱监督力注意学习模块生成特征图和注意力图，并利用注意力图引导数据增强，将原图和增强后的数据同时作为输入数据进行训练；然后，通过双线性注意力池化算法将特征图和注意力图按元素进行点乘，进而得到特征矩阵；最后，将特征矩阵作为线性分类层的输入。将以VGG19作为特征提取网络的WSDAN基本模型应用到AD的MRI数据上，实验结果表明，仅使用图像增强的模型的准确性、敏感性和特异性分别比WSDAN基本模型提高了1.6个百分点、0.34个百分点和0.12个百分点；仅利用VGG19网络的改进的模型的准确性和特异性相较WSDAN基本模型分别提高了0.7个百分点和2.82个百分点；以上两个方法结合使用的模型与WSDAN基本模型相比，准确性、敏感性和特异性分别提高了2.1个百分点、1.91个百分点和2.19个百分点。

针对在低功耗、低成本硬件平台快速准确检测老人跌倒高危行为的问题，提出了一种基于AlphaPose优化模型的老人异常行为检测算法。首先，对行人目标检测模型和姿态估计模型进行优化，以加快人体目标检测和姿态关节点推理；然后，通过优化的AlphaPose模型快速计算得到人体姿态关节点图像坐标数据；最后，计算人体跌倒瞬间头部关节点线速度与胯部关节线速度之间的关系，以及人体中垂线与图像X轴之间夹角的变化来判断跌倒现象的发生。将所提算法移植到Jetson Nano嵌入式开发板上，并与当前主要的基于人体姿态的跌倒检测算法YOLOv3+Pose、YOLOv4+Pose、YOLOv5+Pose、trt_pose和NanoDet+Pose进行对比分析。实验结果表明，在所用嵌入式平台上，图像分辨率为320×240时，所提算法的检测帧率达到8.83 frame/s，准确率为0.913，均优于对比算法。该算法具有较高的实时性和准确率，能够及时检测老人跌倒行为的发生。

时空预测任务在神经科学、交通、气象等领域应用广泛。气温预测作为典型的时空预测任务，需要挖掘气温数据中固有的时空特征。针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题，提出一种基于图卷积网络和门控循环单元的气温预测（GCN-GRU）模型。首先，使用重新分配权重和多阶近邻连接方式修正图卷积网络（GCN），以有效挖掘气象数据独特的空间特征；然后，将门控循环单元（GRU）中每个循环单元的矩阵乘法替换成图卷积操作，并将所有的循环单元串联起来构成图卷积门控层；接着，使用图卷积门控层搭建网络主体结构来提取数据的时空特征；最后，通过一个全连接的输出层输出气温预测结果。通过与GRU和长短期记忆网络（LSTM）等单一模型对比，GCN-GRU模型的平均绝对误差（MAE）分别减小了0.67和0.83；与切比雪夫图卷积和长短期记忆网络结合的预测模型（Cheb-LSTM）、图卷积网络和长短期记忆网络结合的预测模型（GCN-LSTM）对比，平均绝对误差分别减小了0.36和0.23。

集成重采样技术可以在一定程度上解决财务预警研究中样本的不平衡性难题，而不同的集成模型与不同的重采样集成技术有不同的适配性。研究发现，Up-Down集成采样与Tomek-Smote集成采样分别适配于Bagging-Vote集成模型和Stacking融合模型。基于此，构建了Stacking-Bagging-Vote （SBV）多源信息融合模型。首先，将基于Up-Down集成采样的Bagging-Vote模型与基于Tomek-Smote采样的Stacking模型进行融合；然后，加入股票的交易数据，并对该数据用卡尔曼滤波进行处理，从而形成数据层次和模型层次的交互式融合优化；最终，得到SBV多源信息融合模型。该融合模型不仅在预测性能上有了较大的提升，能较好地兼顾模型的预测准确度和预测精确率，并且可以根据利益相关者的实际需要，通过调整模型参数，来选择对应的SBV多源信息融合模型进行财务预警预测。

针对目前工业中的气门识别方法存在重叠目标漏检率高、检测精度较低、目标包裹度差、圆心定位不准的问题，提出了一种基于双重检测的气门识别方法。首先，运用数据增强对样本进行轻量扩充；其次，以深度卷积网络为基础，加入空间金字塔池化层（SPP）和路径聚合网络（PAN），同时调整先验框，改进损失函数，从而提取气门预测框；最后，以霍夫圆变换（CHT）方法对预测框中的气门进行二次识别，从而达到精准识别气门区域的目的。把所提方法和原YOLOv3、YOLOv4、传统CHT方法进行对比，并采用精确率、召回率、交并比联合进行检测效果评估。实验结果表明，所提出的方法在检测精度和召回率上分别达到了97.1%和94.4%，相较原YOLOv3方法分别提高了2.9个百分点和1.8个百分点；且该方法使目标包裹度更好，目标中心点的定位更准确，其矫正框和真实框的交并比（IOU）达到了0.95，与传统CHT方法相比提高了0.05。所提方法在提高模型识别准确率的同时提高了目标抓取的成功率，在实际应用中有一定的实用价值。

针对细长路面病害人工检测耗时长和当前检测方法精度不足的问题，依据病害的弱语义特性和异常几何属性，提出了能够精准定位和分类出病害的二阶段细长路面病害检测方法Epd RCNN。首先，针对细长路面病害的弱语义特性，提出了一种复用低层特征并反复融合不同阶段特征的骨干网络；其次，在训练过程中，使用一种符合病害几何属性分布的锚框机制来生成高质量的正样本供网络训练；然后，在单一高分辨率特征图上预测病害包围框，并针对该特征图使用并行级联空洞卷积模块来提升其多尺度特征表达能力；最后，针对形状各异的候选区域，使用由可变形感兴趣区域池化（RoI Pooling）和空间注意力模块组成的候选区域特征改良模块来提取符合病害几何属性的候选区域特征。实验结果表明，所提方法在光照充足图像上的平均准确率均值（mAP）为0.907，在存在光照问题图像上的mAP为0.891，综合mAP为0.899， 表明该方法具有良好的检测性能和对光照的鲁棒性。

城市路网交通流预测受到历史交通流和相邻路口交通流的影响，具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题，提出一种基于改进时空残差卷积神经网络（CNN）的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据，利用皮尔逊相关系数（PCC）对交通栅格数据进行相关性分析，确定相关性高的周期序列和邻近序列；同时，建立周期序列模型和邻近序列模型，并引入长短时记忆（LSTM）网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证，结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型，以均方根误差（RMSE）为评价指标时，所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

传统双足机器人行走使用轨迹跟踪控制，而人类行走大部分时间处于被动状态。针对半被动变长度弹性伸缩腿双足机器人从静止状态开始起步行走的问题，提出了一种起步行走仿人控制方法。首先，使用串联弹性驱动双足弹簧负载倒立摆（B-SLIP）模型；然后，利用拉格朗日方法建立行走动力学方程，并利用模型的自稳定性在双支撑阶段采用能量误差比例积分（PI）反馈控制与惰性控制方法控制后腿伸缩，在单支撑阶段采用摆动腿回摆方法控制机器人的高度和前向速度。仿真结果表明，所提出的控制策略可使双足机器人在水平面上实现起步行走过程，并且对应的控制系统对于外部周期扰动力具有抗干扰能力。

在商用数码相机中，由于CMOS传感器的限制，在采样得到的图像中的每个像素位置仅有一个色彩通道的信息，因此，需要采用彩色图像去马赛克（CDM）算法来恢复全彩图像。然而，现有的基于卷积神经网络（CNN）的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能。针对这个问题，提出一种应用通道间相关性和增强信息蒸馏（ICEID）的彩色图像去马赛克网络。首先，为了充分利用彩色图像的通道间相关性，提出了一种通道间的引导重建结构来生成初始CDM结果；其次，提出一种增强信息蒸馏模块（EIDM）来以相对较低的参数量有效地提取和精炼图像特征，从而高效地优化重建的全彩图像。实验结果表明，与主流CDM算法相比，所提算法不仅在客观质量与主观质量上均获得了明显提升，而且具有较低的计算复杂度和网络参数量。

针对超分辨率复原技术中网络层数不断加深导致的网络训练困难、特征信息利用率低等问题，设计并实现了一种基于双注意力的信息蒸馏网络（IDN）的图像超分辨率复原算法。首先，利用IDN较低的计算复杂度及信息蒸馏模块提取更多特征的优势，通过引入残差注意力模块（RAM）并考虑图像通道之间的相互依赖性来自适应地重新调整特征权重，从而进一步提升图像高分辨率细节的重建能力；然后，设计了对于边缘信息敏感的新型混合损失函数对图像进行细化处理，以加速网络收敛。在Set5、Set14、BSD100和Urban100公共数据集上的测试结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于当前主流算法。

针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题，提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先，在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块，并且引入一个权重值与每个注意力机制模块相乘，以达到约束注意力机制模块的目的；其次，在PASCAL VOC2012 公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus，以此手动获取注意力机制模块权重值（经验值）；然后，探索输入层、中间层和输出层中注意力机制模块的多种融合方式；最后，将注意力机制模块的权重值更改为反向传播自动更新，从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明，与原始Deeplab V3 Plus网络结构相比，引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比（MIOU）分别提高了1.4个百分点和0.7个百分点。

为了打破基于流程库的流程建模推荐方法中路径和图结构的限制，为建模者从流程库中提取更多有用的推荐信息，进而辅助建模者建立更高质量的业务流程模型，提出了一种基于行为轮廓定义业务目标实现规则的流程建模推荐方法。首先，通过业务陈述制定用于形式化及抽象化表达业务交互规则的目标轮廓矩阵；接着，通过其与行为轮廓矩阵集中全部行为轮廓矩阵的比对，找出流程库中所有满足目标轮廓矩阵的流程作为候选流程集；最后，通过行为轮廓度量方法计算出候选流程库中与当前建模模型相似度最高的流程，并将这些流程中当前建模节点的下一节点作为推荐节点。在真实数据集上进行实验评估了所提方法，推荐能力和推荐准确率两方面的评估表明了所提方法与独立路径匹配方法相比，能够在准确率满足实际应用需求的同时为建模者提供更多有价值的推荐信息。

针对认知无线电中以最大化网络效益为准则的频谱分配难题以及蝠鲼觅食优化（MRFO）算法难以解决频谱分配问题的不足，提出一种离散蝠鲼觅食优化（DMRFO）算法。根据工程中频谱分配问题具有亲1性的特点，首先，基于Sigmoid函数（SF）离散法对MRFO算法进行离散二进制化；然后，通过异或算子和速度调节因子引导蝠鲼根据当前速度大小自适应向最优解调整下一时刻的位置；同时，通过在全局最优解附近进行二进制螺旋觅食避免算法陷入局部最优；最后，将提出的DMRFO算法应用于解决频谱分配问题。仿真实验结果表明，采用DMRFO算法分配频谱时的网络效益的收敛均值和标准差分别为362.60和4.14，该结果显著优于离散人工蜂群（DABC）算法、二进制粒子群优化（BPSO）算法以及改进的二进制粒子群优化（IBPSO）算法。

针对强化学习的大多数探索/利用策略在探索过程中忽略智能体随机选择动作带来的风险的问题，提出一种基于因子分解机（FM）用于安全探索的Q表初始化方法。首先，引入Q表中已探索的Q值作为先验知识；然后，利用FM建立先验知识中状态和行动间潜在的交互作用的模型；最后，基于该模型预测Q表中的未知Q值，从而进一步引导智能体探索。在OpenAI Gym的网格强化学习环境Cliffwalk中进行的A/B测试里，基于所提方法的Boltzmann和置信区间上界（UCB）探索/利用策略的不良探索幕数分别下降了68.12%和89.98%。实验结果表明，所提方法提高了传统策略的探索安全性，同时加快了收敛。

随着云计算技术的快速发展，数据中心的数量大幅增加，随之而来的能源消耗问题逐渐成为一个研究热点。针对服务器能耗优化问题，提出了一种融合极限梯度提升（XGBoost）和多个门控循环单元（Multi-GRU）的数据中心服务器能耗优化（ECOXG）算法。首先利用Linux终端监控命令和功耗仪收集服务器各部件的资源占用信息和能耗等数据，并对其进行数据预处理来得到资源利用率。其次将资源利用率串联构造成向量形式的时间序列，用其训练Multi-GRU负载预测模型，并根据预测结果对服务器进行模拟降频，以得到降频后的负载数据。然后将服务器的资源利用率与相同时刻的能耗数据相结合，并用其训练XGBoost能耗预测模型。最后将降频后的负载数据输入到训练后的XGBoost模型中，从而预测出降频后的服务器能耗。在6台物理服务器实际资源利用率数据上的实验表明，与卷积神经网络（CNN）、长短期记忆（LSTM）网络、CNN-GRU和CNN-LSTM模型相比，ECOXG算法在均方根误差（RMSE）上分别降低了50.9%、31.0%、32.7%、22.9%；同时，与LSTM、CNN-GRU和CNN-LSTM模型相比，ECOXG算法在训练时间上分别节省了43.2%、47.1%、59.9%。实验结果表明，ECOXG算法能够在服务器能耗预测和能耗优化方面提供一定的理论基础，且在准确性和运行效率方面明显优于对比算法。此外，模拟降频后的服务器能耗已明显低于真实能耗，且在服务器的利用率较低时降耗效果显著。

针对具有时变参考输入的多自主体系统的动态平均一致性跟踪问题，提出了一种比例-积分一致性跟踪算法。在对多自主体间通信数据进行量化的场景下，研究了基于量化的平均一致性跟踪问题。首先，在积分算法的基础上引入一个比例环节，使得自主体在控制协议的约束下通过和邻近自主体间相互交流来更好地跟踪参考输入的平均值；然后，在固定的强连通平衡拓扑结构下，利用矩阵分析和Routh判据分别得出自主体间信息传输数据未量化和量化时多自主体系统渐近跟踪到时变参考输入平均值的充分条件；最后，数值仿真证明了结果的准确性，也证实了所提算法的有效性。

针对基于传统区块链进行医疗数据共享时可扩展性受限制的问题，提出一种基于分片技术的区块链扩容共享方案。首先，基于跳跃一致性哈希算法进行周期性网络分片，通过随机划分全网节点大幅度降低单分片内女巫攻击的风险；其次，分片内使用可扩展的去中心化信任基础设施区块链（SBFT）共识协议以降低实用拜占庭容错（PBFT）共识协议的高通信复杂度，并且在分片的物理多链与主链的逻辑单链间采用双层架构以减小分片成员的存储压力；最后，在医疗联盟链上提出基于公钥密码体制的多关键词关联检索可搜索加密共享方案（PECKS），从而提高病人对自己敏感数据的掌控度，并实现加密情况下敏感数据的细粒度检索。通过性能分析可以看出，在并行分片结构下，区块链吞吐量随分片增加有明显增长，检索效率也得到显著提升。实验结果表明，所提方案能大幅度提升区块链系统的效率与可扩展性。

针对内存数据在攻击行为发生后会发生改变，而传统完整性度量系统使用的基准值度量存在检测率低、灵活性不足等问题的现象，提出一种基于多反向传播（BP）神经网络的内存组合特征分类方法。首先，将内存数据通过度量对象提取算法（MOEA）提取特征值；然后，分别使用不同的BP神经网络进行模型训练；最后，再通过一个BP神经网络对所得数据进行汇总，并得出操作系统安全状况评分。实验结果表明该方法与传统的使用基准值度量的完整性度量方法相比，检测准确率与普适性有较大提升；所提方法的检测准确率为98.25%，大于卷积神经网络（CNN）、K最邻近（KNN）算法与单BP神经网络，表明该方法能更加准确地发现攻击行为；所提方法的模型训练时间约为传统单BP神经网络的1/3，并且模型训练速度相较同类模型也有一定提升。

针对现有加密图像可逆信息隐藏（RDHEI）方法存在的隐藏容量低、解密标记图像质量差的问题，提出了一种新的基于高阶位平面冗余的RDHEI方法。首先，通过Logistic映射对原始图像进行分块加密，并保留块内像素高阶位平面的冗余；其次，依据块内高阶位和低阶位个数是否相同的规则将加密后的图像块分为可嵌入块和不可嵌入块，并在可嵌入块中使用像素低阶位的值替换对应的高阶位值，从而实现高阶位平面冗余向低阶位平面的转移；最后，利用块内低阶位平面中腾出的嵌入空间来嵌入机密信息。在这之后，接收者利用密钥实现数据提取、图像解密和图像无损恢复的操作。在使用USC-SIPI标准图像库中的6幅图像进行的仿真实验中，在高阶位平面数等于3时，所提方法的图像的平均嵌入率为1.73 bpp，直接解密后的标记图像的平均峰值信噪比（PSNR）为47.20 dB。实验结果表明，该方法不仅提高了加密图像的信息嵌入量，而且提高了直接解密后的标记图像的PSNR值。

具有置乱-扩散结构的传统图像加密中的置乱与扩散通常相互独立，易被单独针对破解，且加密过程非线性弱，导致算法安全性差，为此提出了一种具有强非线性的置乱扩散同步图像加密算法。首先，构造新型sine-cos混沌映射，以拓宽控制参数范围，并改善序列分布的随机性；然后，用明文像素与混沌序列的异或和作为混沌初始值产生混沌序列，用其构建不同明文的不同像素的网络结构，同时利用扩散值动态更新网络值，使网络具有动态性；最后，使用单像素串行置乱-扩散使置乱与扩散产生交叉作用，整体上达到置乱和扩散的同步，从而有效抵抗分离攻击。另外，依照网络结构转移像素操作，使串行路径具有非线性和不可预测性，从而保证算法的非线性与安全性，并且利用相邻节点像素和进行动态扩散，从而提高明文的相关性。实验结果表明，该算法加密安全性高，明文敏感性强，并在抗统计攻击、差分攻击、选择明文攻击等方面效果尤佳。

集体噪声对量子密码协议的影响不可忽视，然而可抵抗集体噪声的多方量子密钥协商（MQKA）协议还很少。为了抵抗集体噪声的影响，分别针对可抗集体退相位噪声的逻辑单粒子和可抗集体旋转噪声的逻辑单粒子提出了两组逻辑酉算符，使得将其作用在逻辑单粒子上后，其中两个酉算符不改变测量基，而另外两个会改变测量基。基于此性质提出一个MQKA协议。首先，每个参与者传输逻辑单粒子给下一位；然后，该逻辑单粒子经过其他所有参与者的加密重新回到这个参与者，形成一个“环形”；最后，通过测量来获取共享密钥。安全性分析证明，该协议能够抵抗截取重发攻击、纠缠测量攻击以及参与者攻击；效率分析表明，该协议具有较高的量子比特效率。

虚拟数字货币为恐怖分子融资、洗钱、毒品交易等犯罪活动提供了温床，而门罗币作为新兴数字货币的代表，具有公认的高匿名性。针对利用门罗币匿名性犯罪的问题，从技术角度探索门罗币匿名技术及其追踪技术，综述近年来的研究进展，从而为有效应对基于区块链技术的犯罪提供技术支持。具体来说，总结了门罗币匿名技术的演进，并梳理了学术界关于门罗币匿名技术的追溯对策。首先，在匿名技术中，介绍了环签名、保证不可链接性（一次性公钥）、保证不可追溯性、提高匿名性的重要版本升级等。然后，在追踪技术中，介绍了0-mixin攻击、输出合并攻击、最新猜测攻击、封闭集攻击、泛洪攻击、恶意远程节点攻击、钱包环攻击等攻击方法。最后，基于对匿名技术和追溯对策的分析，得出了四点结论：门罗币的匿名技术和追踪技术的发展相互促进；RingCT的应用是一把双刃剑，既使得从币值出发的被动攻击方法失效，也使得主动攻击方法更加容易奏效；输出合并攻击和0-mixin攻击具有互补作用；门罗币的系统安全链条仍待理顺。

针对嵌入式数据库SQLite并发性能较低的问题，提出了一种基于多版本并发控制（MVCC）的并发控制设计。首先，设计了SQLite数据库的以提交的写事务为依据的版本划分方式，重新设计了数据记录的头部字段并以此划分了记录在不同版本访问下的可见性；然后，在SQLite原有结构基础上修改了增、删、查、改等操作与索引结构使得该数据库能在MVCC下工作；最后，对于老旧版本数据提供了一种手动的回收机制。通过实验对比测试了在该设计下的SQLite-MVCC数据库与SQLite数据库的性能区别，发现在并发度较高的状态下SQLite-MVCC数据库在相同时间内可多完成70%以上的事务。实验结果验证了所提设计可以有效提高SQLite的并发性能，使得该数据库可以应对并发情况下的需求。

子图同构问题是非确定多项式（NP）完全问题，而轴心子图同构是一种特殊的子图同构问题。针对现在已经有许多高效的子图同构算法，然而对于轴心子图同构问题目前并没有基于GPU的搜索算法，且通过改造已有的子图同构算法来解决轴心子图匹配问题会产生大量不必要的中间结果这一问题，提出了一种基于GPU的轴心子图同构算法。首先，通过一种新颖的多编码树方式，利用节点的标签、度以及节点邻居的结构特征的组合对节点进行编码，并在GPU上对查询图节点并行地进行剪枝，从而明显地减小数据图候选节点所生成的搜索空间树的尺寸；然后，逐层访问查询图节点的候选节点，过滤掉不满足的节点；最后，验证得到的子图是否是查询图的同构子图，从而高效地完成轴心子图同构搜索。实验结果表明，与GPU友好子图匹配（GpSM）算法相比，所提算法的执行时间降低了二分之一，且该算法能够高效地执行轴心子图同构搜索并且具有可扩展性。所提轴心子图同构算法可以减少解决轴心子图同构问题所需的时间，同时降低了GPU内存消耗，提升了算法的性能。

传统集成分类算法中，一般将集成数目设置为固定值，这可能会导致较低分类准确率。针对这一问题，提出了准确率爬坡集成分类算法（C-ECA）。首先，该算法不再用一些基分类器去替换相同数量的表现最差的基分类器，而是基于准确率对基分类器进行更新，然后确定最佳集成数目。其次，在C-ECA的基础上提出了基于爬坡的动态加权集成分类算法（C-DWECA）。该算法提出了一个加权函数，其在具有不同特征的数据流上训练基分类器时，可以获得基分类器的最佳权值，从而提升集成分类器的性能。最后，为了能更早地检测到概念漂移并提高最终精度，采用了快速霍夫丁漂移检测方法（FHDDM）。实验结果表明C-DWECA的准确率最高可达到97.44%，并且该算法的平均准确率比自适应多样性的在线增强（ADOB）算法提升了40%左右，也优于杠杆装袋（LevBag）、自适应随机森林（ARF）等其他对比算法。

针对低秩表示（LRR）子空间聚类算法没有考虑数据局部结构，在学习中可能会造成局部相似信息丢失的问题，提出了一种基于Hessian正则化和非负约束的低秩表示子空间聚类算法（LRR-HN），用来探索数据的全局结构和局部结构。首先，利用Hessian正则化良好的推测能力来保持数据的局部流形结构，使数据局部拓扑结构的表达能力更强；其次，考虑到获得的系数矩阵往往有正有负，而负值往往没有实际意义的特点，引入非负约束来保证模型解的有效性，使其在数据局部结构描述上更有意义；最后，通过最小化核范数寻求数据全局结构的低秩表示，从而更好地聚类高维数据。此外，利用自适应惩罚的线性交替方向法设计了一种求解LRR-HN的有效算法，并在一些真实数据集上，采用正确率（AC）和归一化互信息（NMI）对所提出的算法进行了评估。在ORL数据集上聚类数目为20时的实验中，LRR-HN与LRR算法相比，AC和NMI分别提高了11%和9.74%；与自适应低秩表示（ALRR）算法相比，AC和NMI分别提高了5%和1.05%。实验结果表明，LRR-HN与现有的一些算法相比，AC和NMI均有较大的提升，有较好的聚类性能。

特征选择是从原始数据集中去除无关的特征并选择良好的特征子集，可以避免维数灾难和提高学习算法的性能。为解决已选特征和类别动态变化（DCSF）算法在特征选择过程中只考虑已选特征和类别之间动态变化的信息量，而忽略候选特征和已选特征的交互相关性的问题，提出了一种基于动态相关性的特征选择（DRFS）算法。该算法采用条件互信息度量已选特征和类别的条件相关性，并采用交互信息度量候选特征和已选特征发挥的协同作用，从而选择相关特征并且去除冗余特征以获得优良特征子集。仿真实验表明，与现有算法相比，所提算法能有效地提升特征选择的分类准确率。