针对目前卫星遥感中夜光藻赤潮识别精度低、实时性差的问题，提出一种基于深度学习的无人机（UAV）影像夜光藻赤潮提取方法。首先，以UAV采集的高分辨率夜光藻赤潮RGB视频影像作为监测数据，在原有UNet++网络基础上，通过修改主干模型为VGG-16，并引入空间dropout策略，分别增强了特征提取能力并防止过拟合；然后，使用ImageNet数据集预先训练的VGG-16网络进行迁移学习，以提高网络收敛速度；最后，为评估所提方法的性能，在自建的赤潮数据集Redtide-DB上进行实验。所提方法的夜光藻赤潮提取总体精度（OA）为94.63%，F1评分为0.955 2，Kappa为0.949 6，优于K近邻（KNN）、支持向量机（SVM）和随机森林（RF）这3种机器学习方法及3种典型语义分割网络（PSPNet、 SegNet和U-Net）。在模型泛化能力测试中，所提方法对不同拍摄设备和拍摄环境的夜光藻赤潮影像表现出一定泛化能力，OA为97.41%，F1评分为0.965 9，Kappa为0.938 2。实验结果表明，所提方法可以实现夜光藻赤潮自动化、高精度的提取，可为夜光藻赤潮监测和研究工作提供参考。

针对航空发动机剩余使用寿命（RUL）预测方法没有同时加权不同时间步下的数据，包括原始数据和所提取的特征，导致RUL预测准确性较低的问题，提出了一种基于优化混合模型的RUL预测方法。首先，选用三种不同的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络；2）将原始数据输入双向长短期记忆（Bi-LSTM）网络，并采用注意力机制处理得到的特征；3）使用注意力机制处理原始数据，并将加权特征输入至卷积神经网络（CNN）和Bi-LSTM网络中。然后，采用融合多路径特征预测的思想，将上述提取到的特征融合后输入至全连接网络获得RUL预测结果。最后，使用商用模块化航空推进系统仿真（C-MAPSS）数据集验证方法的有效性。实验结果显示，所提方法在4个数据集上均有较好的表现。以FD001数据集为例，所提方法的均方根误差（RMSE）比Bi-LSTM网络降低了9.01%。

针对置换流水车间调度问题（PFSP），提出了一种混合鸟群算法（HBSA）以更加有效地最小化最大完工时间。首先，为了改善初始种群的质量和多样性，结合一种基于NEH（Nawaz-Enscore-Ham）的启发式算法和混沌映射提出了一种新的种群初始化方法；其次，为了使算法能够处理离散的调度问题，采用最大排序值（LRV）规则将连续的位置值转换为离散的工件排序；最后，为了强化算法对解空间的探索能力，借鉴变邻域搜索（VNS）和迭代贪婪（IG）算法的思想针对个体最佳工件排序和种群最佳工件排序分别提出了局部搜索方法。针对广泛使用的Rec标准测试集进行了仿真测试，并与目前有效的元启发式算法——刘等提出的混合差分进化算法（L-HDE）、混合共生生物搜索算法（HSOS）、离散狼群算法（DWPA）、多班级教学优化算法（MCTLBO）相比较，结果表明，HBSA取得的最佳相对误差（BRE）、平均相对误差（ARE）的平均值比上述四种算法至少下降了73.3%、76.8%，从而证明HBSA具有更强的寻优能力和更好的稳定性。尤其是针对测试算例Rec25和Rec27，仅HBSA的求解结果达到了目前已知最优解，进一步证明了其优越性。

针对随机扰动造成的企业库存系统缺货、库存水平增加和订货波动增大的问题，提出一种基于自抗扰控制（ADRC）的随机扰动库存系统优化模型。首先，根据进销存产品流和信息流的运营管理逻辑，通过拉普拉斯变换得到了库存系统的传递函数并将其转换成一类二阶状态空间标准式；然后，设计了一种包括跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率的基于ADRC的随机扰动库存系统优化模型，从而在保证系统稳定的前提下，控制补偿随机扰动对库存系统的影响；最后，利用行业数据进行仿真实验，以验证ADRC优化模型对随机扰动库存系统优化的有效性。仿真实验结果表明，与无ADRC的库存反馈控制模型相比，基于ADRC的随机扰动库存系统优化模型可减少40%的库存剩余，减小47.4%的订货量均值，降低39.3%的订货量波动，并极大地改善随机扰动下企业库存系统的缺货现象。由此可见，基于ADRC的随机扰动库存系统优化模型能够指导企业合理订货，降低企业库存水平，从动态的角度提高库存系统的稳定性，为企业的实际生产运营提供科学的理论借鉴和应对方法。

针对由于驾驶员对于道路限速和时延信息获取的不确定性而引起的跟驰行为受扰和交通流失稳等问题，提出了一种车联网（IoV）环境下考虑时延速度差和限速信息的跟驰模型TD-VDVL。首先，引入时延导致的速度变化量和道路限速信息对全速差（FVD）模型进行改进；然后，利用线性谱波微扰法推导出TD-VDVL模型的交通流稳定性判断依据，并分析模型中各参数对系统稳定性的影响；最后，利用Matlab进行数值仿真实验与对比分析。仿真实验中，分别选取在笔直道路和环形道路，给行驶过程中的车队施加轻微扰动。当条件一致时，TD-VDVL模型比优化速度（OV）、FVD模型中车队的速度波动率和车头间距起伏均小，尤其是当限速信息的敏感系数取0.3、时延速度差的敏感系数取0.3时，所提模型的车队速度平均波动率在时间500 s时可以达到2.35%，车头间距波峰波谷差仅为0.019 4 m。实验结果表明，TD-VDVL模型在引入时延速差和限速信息后，具备更优的稳定区域，能够明显增强跟驰车队吸收扰动的能力。

针对单一机制的自适应大邻域搜索算法存在早熟收敛、易陷入局部最优的问题，提出了一种混合自适应大邻域搜索算法来求解冷链物流时间依赖型车辆路径问题（TDVRP）。首先，根据连续型行驶时间依赖函数来刻画时变车速，采用综合油耗模型来评估实时燃油消耗量，并建立了以总成本最小化为目标的路径优化模型；然后，根据问题的NP-hard性质和时间依赖特性设计了多种破坏和修复解的大邻域搜索算子，并将破坏-修复大邻域搜索算子融入到人工蜂群（ABC）算法之中，以提高算法的全局搜索能力。仿真实验结果表明，与自适应可变邻域搜索精英蚁群（AVNS_EAC）算法、自适应大邻域搜索精英蚁群（ALNS_EAC）算法、自适应大邻域搜索精英遗传（ALNS_EG）算法和自适应大邻域搜索模拟退火（ALNS_SA）算法相比，所提出的自适应大邻域搜索人工蜂群（ALNS_ABC）算法在多组测试数据上的最优适应度值分别平均提高了46.3%、5.3%、36.8%和6%。可见所提算法计算性能更高、稳定性更强，能够为冷链物流企业兼顾经济效益和环境效益提供更为合理的决策依据。

针对注意缺陷与多动障碍（ADHD）临床诊断主要依靠医生主观评估，缺乏客观辅助依据的问题，提出了一种基于语音停顿度和平坦度的ADHD自动检测算法。首先，通过频带差能熵积（FDEEP）参数自动定位语音有话区间，并提取停顿度特征；然后，使用变换平均幅度平方差（TAASD）参数计算语音倍频率，并提取平坦度特征；最后，结合融合特征和支持向量机（SVM）分类器来实现ADHD的自动识别。实验共采集了17位正常对照组儿童和37位ADHD患儿的语音样本。实验结果表明，所提算法能自动检测正常儿童和ADHD患儿，识别正确率为91.38%。

针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题，提出一种改进的Libra区域卷积神经网络（R-CNN）的脑动脉狭窄影像学检测算法，用于检测计算机断层扫描血管造影（CTA）图像的颈内动脉和椎动脉狭窄。首先，在目标检测网络Libra R-CNN中以ResNet50为骨干网络，并分别在骨干网络的3、4、5阶段引入可变卷积网络（DCN），通过学习偏移量提取血管在不同断层面的形态特征；然后，将从骨干网络中提取的特征图输入至引入非局部神经网络（Non-local NN）的平衡特征金字塔（BFP）中进行更深度的特征融合；最后，将融合后的特征图输入至级联检测器，并通过提高交并比（IoU）阈值优化最终检测结果。实验结果表明，改进的Libra R-CNN检测算法相比Libra R-CNN算法，在脑动脉CTA数据集中平均准确率（AP）、AP₅₀、AP₇₅和AP_S分别提升了4.3、1.3、6.9和4.0个百分点；在公开的结肠息肉CT数据集中，AP、AP₅₀、AP₇₅和AP_S分别提升了6.6、3.6、13.0和6.4个百分点。通过在Libra R-CNN的骨干网络中加入DCN、Non-local NN和级联检测器，进一步融合特征从而学习脑动脉血管结构的语义信息，使得狭窄区域检测结果更精确，且改进算法在不同的检测任务中具有泛化能力。

智慧工地中的设备内存和计算能力有限，在现场的设备上通过目标检测对钢筋进行实时检测具有很大的难度，而且其钢筋检测速度慢、模型部署成本高。针对这些问题，在YOLOv3网络的基础上，提出了一个嵌入注意力机制的轻量级钢筋检测网络RebarNet。首先，利用残差块作为网络的基本单元来构建特征提取结构，并用其提取局部和上下文信息；其次，在残差块中添加通道注意力（CA）模块和空间注意力（SA）模块，以调整特征图的注意力权重，并提升网络提取特征的能力；然后，采用特征金字塔融合模块，以增大网络的感受野，并优化中等钢筋图像的提取效果；最后，输出经过8倍下采样后的52×52通道的特征图用于后处理和钢筋检测。实验结果表明，所提网络的参数量仅为Darknet53网络的5%，在钢筋测试集上以106.8 FPS的速度达到了92.7%的mAP。与现有的EfficientDet、SSD、CenterNet、RetinaNet、Faster RCNN、YOLOv3、YOLOv4和YOLOv5m等8个目标检测网络相比，RebarNet具有更短的训练时间（24.5 s）、最低的显存占用（1 956 MB）、最小的模型权重文件（13 MB）。与目前效果最好的YOLOv5m网络相比，RebarNet的mAP略低0.4个百分点，然而其检测速度上升了48 FPS，是YOLOv5m网络的1.8倍。以上结果表明，所提出的网络有助于完成智慧工地中要求实现的高效、准确的钢筋检测任务。

针对自主空中加油对接阶段的目标跟踪问题，提出一种空中加油场景下的目标联合检测跟踪算法。该算法采用检测跟踪一体化的CenterTrack网络实现对锥套的追踪，而针对计算量较大、训练耗时过长的问题，分别从模型设计与网络优化两方面改善该网络。首先，在跟踪器中引入膨胀卷积组，以在不改变感受野大小的前提下使得网络轻量化；同时，将输出部分的卷积层替换为深度可分离卷积层，从而减少网络的参数量与计算量；然后，对网络进行进一步的优化，即将随机梯度下降（SGD）法与Adam算法相结合，使网络更快收敛至稳定状态；最后，利用真实的空中加油场景视频与地面模拟视频制作相应格式的数据集，并将其用于实验验证。分别在自制的锥套数据集和MOT17公共数据集上进行了训练与测试，证实了提出算法的有效性。相较于原CenterTrack网络，改进的网络Tiny-CenterTrack减少了约48.6%的训练时长，并在实时性方面提升了8.8%。实验结果表明，改进后的网络在不损失网络性能的前提下可有效节省计算资源并在一定程度上提升实时性。

无人机（UAV）目标尺寸较小，多架无人机之间特征也不明显，且鸟类和飞虫的干扰给无人机目标的准确检测和稳定跟踪带来了巨大挑战。针对传统目标检测算法对小目标无人机检测性能差、跟踪不稳定的问题，提出一种基于改进PP-YOLO和Deep-SORT的多无人机实时跟踪算法。首先，将压缩-激励模块融入PP-YOLO检测算法中，以实现对无人机目标的特征提取和检测；其次，在ResNet50-vd结构中引入Mish激活函数，以解决反向传播过程中的梯度消失问题，并进一步提升检测精度；然后，采用Deep-SORT算法来实时跟踪无人机目标，并将提取外观特征的主干网络更换为ResNet50，从而改善原有网络对微小外观感知能力弱的状况；最后，引入损失函数Margin Loss，既提高了类别可分性，又加强了类内紧度和类间差异。实验结果表明，所提算法的检测平均精度均值（mAP）相比原始PP-YOLO算法提升了2.27个百分点，跟踪准确性相对于原始Deep-SORT算法提升了4.5个百分点。所提算法的跟踪准确性可达91.6%，能够实时跟踪600 m以内多架无人机目标，有效解决了跟踪过程中的“丢帧”问题。

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题，提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先，对YOLOv5的结构进行优化，采用逆向思维，通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题，并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加；其次，引入数据增强、K-means先验框、全局非极大值抑制（GNMS）等机制到模型；最后，在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力，并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明，改进YOLOv5模型的F1-score达0.921 50，平均精度均值@0.5 （mAP@0.5）达95.3%，平均精度均值@0.5：0.95 （mAP@0.5：0.95）达75.2%，且所提模型在恶劣天气下仍能进行交通标志的高精度识别，每秒检测帧数（FPS）达到50，满足实时检测的需求。

针对霾环境中图像降质导致的传统深度估计模型退化问题，提出了一种融合双注意力机制的基于条件生成对抗网络（CGAN）的单幅霾图像深度估计模型。首先，对于模型的生成器的网络结构，提出了融合双注意力机制的DenseUnet结构，其中DenseUnet将密集块作为U-net编码和解码过程中的基本模块，并利用密集连接和跳跃连接在加强信息流动的同时，提取直接传输率图的底层结构特征和高级深度信息。然后，通过双注意力模块自适应地调整空间特征和通道特征的全局依赖关系，同时将最小绝对值损失、感知损失、梯度损失和对抗损失融合为新的结构保持损失函数。最后，将霾图像的直接传输率图作为CGAN的条件，通过生成器和鉴别器的对抗学习估计出霾图像的深度图。在室内数据集NYU Depth v2和室外数据集DIODE上进行训练和测试。实验结果表明，该模型具有更精细的几何结构和更丰富的局部细节。在NYU Depth v2上，与全卷积残差网络相比，对数平均误差（LME）和均方根误差（RMSE）分别降低了7%和10%；在DIODE上，与深度有序回归网络相比，精确度（阈值小于1.25）提高了7.6%。可见，所提模型提高了在霾干扰下深度估计的准确性和泛化能力。

无人驾驶汽车在雨天环境中行驶，由于车载相机采集的图片包含雨纹噪声，导致无人驾驶系统的目标检测精度降低，关键目标识别困难。为解决这些问题，提出了一种基于卷积长短期记忆的残差注意力去雨网络。首先提出卷积长短期记忆（CLSTM）单元对不同尺度的雨纹分布进行学习，然后使用残差通道注意力机制对雨纹进行提取，最后将雨图与雨纹提取信息相减得到修复后的背景图。为确定最优的网络结构，对各网络模块进行消融实验，然后选择去雨效果最优的结构作为去雨网络。通过对网络参数的不断优化，所提算法在数据集Rain100H、Rain100L、Real200上进行测试，结果显示该算法的峰值信噪比（PSNR）分别达到29.1 dB、33.1 dB、32.4 dB，结构相似性（SSIM）分别达到0.89、0.94和0.93。实验结果表明，通过生成对抗网络（GAN）判别器对雨纹去除效果的额外监督，所提算法取得了明显的雨纹去除效果，增强了无人驾驶系统在复杂降雨条件下的环境感知能力。

针对室内场景中动态对象严重影响相机位姿估计准确性的问题，提出一种基于目标检测的室内动态场景同步定位与地图构建（SLAM）系统。当相机捕获图像后，首先，利用YOLOv4目标检测网络检测环境中的动态对象，并生成对应边界框的掩膜区域；然后，提取图像中的ORB特征点，并将掩膜区域内部的特征点剔除掉；同时结合GMS算法进一步剔除误匹配，并仅利用剩余静态特征点来估计相机位姿；最后，完成滤除动态对象的静态稠密点云地图和八叉树地图的构建。在TUM RGB-D公开数据集上进行的多次对比测试的结果表明，相对于ORB-SLAM2系统、GCNv2_SLAM系统和YOLOv4+ORB-SLAM2系统，所提系统在绝对轨迹误差（ATE）和相对位姿误差（RPE）上有明显的降低，说明该系统能够显著提高室内动态环境中相机位姿估计的准确性。

针对现有的哈希图像检索方法表达能力较弱、训练速度慢、检索精度低，难以适应大规模图像检索的问题，提出了一种基于深度残差网络的迭代量化哈希图像检索方法（DRITQH）。首先，使用深度残差网络对图像数据进行多次非线性变换，从而提取图像数据的特征，并获得具有语义特征的高维特征向量；然后，使用主成分分析（PCA）对高维图像特征进行降维，同时运用迭代量化对生成的特征向量进行二值化处理，更新旋转矩阵，将数据映射到零中心二进制超立方体，从而最小化量化误差并得到最佳的投影矩阵；最后，进行哈希学习，以得到最优的二进制哈希码在汉明空间中进行图像检索。实验结果表明，DRITQH在NUS-WIDE数据集上，对4种哈希码的检索精度分别为0.789、0.831、0.838和0.846，与改进深度哈希网络（IDHN）相比分别提升了0.5、3.8、3.7和4.2个百分点，平均编码时间小了1 717 μs。DRITQH在大规模图像检索时减少了量化误差带来的影响，提高了训练速度，实现了更高的检索性能。

动态场景的非均匀盲去模糊一直是图像复原领域中的一个难题。针对目前的模糊图像复原算法不能很好地解决多样性模糊源的问题，提出了一种端到端的基于多尺度网络的运动模糊图像复原算法。所提算法使用修剪过的残差块作为基本单元，且在每一级尺度上都采用相同的非对称编解码网络。为了更好地提取输入图像特征，在编码端使用引入注意力机制的残差模块，还加入了空间金字塔池化层。编码端和解码端中间的循环单元可以获取图像的空间信息，从而利用图像空间的连续性来进行非均匀运动模糊图像的复原。测试结果显示，在GoPro数据集上所提算法的峰值信噪比（PSNR）达到33.69 dB，结构相似性（SSIM）达到0.953 7，且能够更好地复原模糊图像的细节信息，而在Blur数据集上所提算法的PSNR为31.47 dB，SSIM为0.904 7。实验结果表明，与尺度递归网络和深度层次化多patch网络相比，所提算法取得了更优的模糊图像复原效果。

为了生成更准确流畅的虚拟人动画，采用Kinect设备捕获三维人体姿态数据的同时，使用单目人体三维姿态估计算法对Kinect的彩色信息进行骨骼点数据推理，从而实时优化人体姿态估计效果，并驱动虚拟人物模型生成动画。首先，提出了一种时空优化的骨骼点数据处理方法，以提高单目估计人体三维姿态的稳定性；其次，提出了一种Kinect和遮挡鲁棒姿势图（ORPM）算法融合的人体姿态估计方法来解决Kinect的遮挡问题；最后，研制了基于四元数向量插值和逆向运动学约束的虚拟人动画系统，其能够进行运动仿真和实时动画生成。与仅利用Kinect捕获人体运动来生成动画的方法相比，所提方法的人体姿态估计数据鲁棒性更强，具备一定的防遮挡能力，而与基于ORPM算法的动画生成方法相比，所提方法生成的动画在帧率上提高了两倍，效果更真实流畅。

针对传统的链路预测在不同结构特征的网络中的计算结果不稳定的问题，提出了基于信息熵改进主成分分析（PCA）模型的链路预测算法。首先，用随机森林（RF）确定7个相似性指标作为最佳特征集合；然后，将七个相似性指标组合在一起提出基于信息熵改进PCA的特征信息融合模型，在对特征信息赋予权重后，把该模型与单机制算法结合后在6个真实数据集上验证其正确性以及校验效果；最后，通过与混合链路预测算法比较曲线下面积（AUC）值来验证基于所提模型的链路预测算法的可行性和有效性。实验结果表明，所提出的链路预测算法比有序加权平均算法（OWA）和集成模型链路预测算法（EMLP）在预测精度AUC值上分别提升了2.5~12.46个百分点和0.47~9.01个百分点，具有较好的稳定性和准确性。可见，将所提算法应用到不同结构特征的网络中能得到更稳定、更准确的链路预测结果。

针对基于超文本传输协议（HTTP）的动态自适应流（DASH）码率自适应算法未能充分利用视频缓存以及平均码率偏低的问题，提出一种DASH标准的基于缓存补偿的码率自适应切换（BASBC）算法。首先，根据最近下载分片的下载速率分析带宽波动程度并得到预估带宽；其次，依据预估带宽和当前码率等级在缓存区设置码率上切阈值和码率下切阈值，并利用动态上切阈值控制码率向上切换，消耗缓存时长，而利用动态下切阈值控制码率向下逐级切换，累积缓存时长，从而在缓存区形成累积-消耗的缓存状态循环。BASBC算法在视频播放平均码率上高于动态自适应的HTTP流码率渐进切换（DASBS）算法，有效提高了带宽利用率；虽然所提算法的平均码率稍低于基于DASH标准的码率平滑切换（RSS）算法，但所提算法的码率切换更为平滑，整体切换稳定性表现更优。实验结果表明，所提算法在动态网络环境中具有高带宽利用、切换平滑且稳定的良好表现，能够有效提高用户的体验质量（QoE）。

针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题，提出一种多策略阿基米德优化算法（MSAOA）。首先，利用变区间初始化策略，使得初始种群尽可能地靠近全局最优解，从而提高初始解的质量；其次，提出黄金莱维引导机制，以提高算法在迭代后期的种群多样性；最后，在维持种群多样性的前提下，引入自适应波长算子，以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明，所提算法具有更高的寻优精度和收敛速度，并将所提算法应用于4个机械设计实例中，再次验证了所提算法的有效性和优越性。

针对卷积神经网络（CNN）中的传统池化算法不能很好地考虑到池化域内每个元素与该池化域所含特征之间关联性的问题，提出一种基于高斯函数的池化算法。首先根据池化域内各元素的值和所有元素的最大值计算高斯函数的三个参数值，然后运用高斯函数计算池化域内所有元素的权重，最后根据这些权重对池化域内所有元素值计算加权平均值，并以此作为池化结果。选择LeNet5、VGG16、ResNet18和MobileNet v3作为实验模型，在公开数据集CIFAR-10、Fer2013和德国交通标志识别基准（GTSRB）上进行实验，并与最大池化、平均池化、随机池化、混合池化、模糊池化、融合随机池化和soft池化这七种池化算法进行对比。实验结果表明，所提算法在三个数据集上相较其他算法在精度方面均有0.5个百分点到6个百分点的提升，且在运行效率方面优于上述除最大池化和平均池化两种池化算法外的其他池化算法，从而验证所提算法有效且具适合应用于对运算时间要求不高但对精度要求较高的情况。

为提高YYPO-SA1的性能，提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法（NYYPO）。首先，基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率；然后，在分割阶段加入混沌扰动策略，NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率，在搜索后期则使用较小的D向分割概率，从而提高了算法的全局搜索能力，同时使用混沌扰动策略丰富了解的多样性，并提高了算法跳出局部最优的能力；最后，将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估，将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法：粒子群优化（PSO）算法、乌鸦搜索算法（CSA）、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、花授粉算法（FPA）、麻雀搜索算法（SSA）进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93，均为总排名第一，可见NYYPO在统计学意义上具有显著的性能优势。同时，在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。

当前网络安全事故频发，传统被动防御技术已经无法应对未知的网络安全威胁。针对这一问题，构建了多阶段演化信号博弈模型，并以防御方主动发射诱导信号进行安全防御为背景，提出了一种基于多阶段演化信号博弈模型的移动目标防御（MTD）决策算法。首先，以博弈双方不完全信息约束及完全理性前提为假设对模型的基本元素进行定义并进行模型整体理论分析；然后，设计了攻防策略的收益量化方法，并给出了详细的最优策略均衡求解过程；最后，引入MTD方法分析多阶段攻防情况下双方策略的演化趋势。实验结果表明，所提算法能准确预测出不同阶段最优防御策略，而且对新型网络主动防御技术研究具有指导意义。同时，通过蒙特卡洛仿真实验，将所提算法与传统随机均匀策略选择算法进行对比，所得结果验证了所提算法的有效性和安全性。

针对属性基密文搜索方案多数只支持单调访问结构，且对搜索结果缺乏有效检验等问题，提出支持非单调访问结构且搜索可验证的密文关键字搜索属性加密方案。首先，由属性值构造多项式，根据多项式整除性质实现密文细粒度搜索的权限设置；然后，在确保不泄露隐私信息的前提下，由云服务器完成密文搜索和外包解密；最后，借助所提承诺方案实现对搜索结果的正确性检验。所提方案支持非单调访问结构且具备密文细粒度搜索、数据共享、外包解密和搜索可验证等多项功能。在随机预言机模型中，基于扩展多指数序列判定Diffie-Hellman （aMSE-DDH）假设，可证明该方案在选择密文攻击和选择关键字攻击情况下均具有选择性的不可区分安全性。实验结果表明，所提方案的终端解密时间与属性个数无关，仅需约12.9 ms。

针对物联网（IoT）系统中海量数据存储成本大、数据溯源验证效率低等问题，提出一种基于Merkle山脉（MMR）的可信数据溯源方法MMRBCV。首先，利用IPFS存储IoT数据；其次，采用联盟链和私有链来设计一种双链结构，从而实现数据流转过程的可靠记录；最后，基于MMR设计区块结构，以实现轻量级IoT节点在数据溯源过程中的快速验证。实验结果表明，MMRBCV减少了数据溯源时所下载的数据量，且数据验证时间与MMR结构有关，当MMR可以组成一个完美二叉树时数据验证时间较短。当区块高度为200 000时，MMRBCV的最大验证时间约为10 ms，比SPV的最大验证时间（约为36 ms）缩短了约72%，可见所提方法有效提高了验证效率。

针对现有区块链系统可追溯性与隐私保护难以兼顾的问题，设计了一种可监管的区块链匿名交易系统模型。首先，结合标识密码（IBC）和无证书公钥密码体制（CL-PKC）的优点，消除了单一IBC托管密钥带来的隐患，并在可保证安全条件下将用户交易标识与用户身份关联，从而保证了模型中的可监管性；其次，通过从网络层和应用层双层签名认证实现了隐私安全，既保证了用户交易内容和身份隐私的安全性，又确保权威机构能够根据异常交易进行追溯，从而为当下区块链匿名性和可监管性的兼容提供了一种新的思路；最后，把所提模型和自认证签名模型、多中心SM9模型及可追溯门罗币模型等进行对比，并通过计算机模拟仿真比较了所提模型和主流区块链模型的传输耗时。实验结果表明，所提模型在安全性和可追溯性上有较大优势；在相同软硬件环境下，多次传输相同大小信息时，所提模型的信息传输耗时比以太坊模型多168%，而长时间传输情况下效率差距不大；传输不同长度的信息时，所提模型的平均耗时要比以太坊模型多38%。

密码S盒即黑盒，作为对称密码算法中的非线性部件，其代数性质往往决定着密码算法的安全性能。差分均匀度、非线性度及透明阶作为衡量密码S盒安全性质的三个基本指标，分别刻画了S盒抵御差分密码分析、线性密码分析及差分功耗攻击的能力。当密码S盒输入尺寸较大（如S盒输入长度大于15比特）时在中央处理器（CPU）中的求解所需时间仍过长，甚至求解不可行。如何针对大尺寸输入密码S盒的代数性质进行快速评估是目前业界的研究热点。基于图形处理器（GPU）提出一种快速评估密码S盒代数性质的方法。该方法利用切片技术将内核函数拆分至多线程，并结合求解差分均匀度、非线性度及透明阶的特征提出优化方案，从而实现并行计算。测试结果表明，与基于CPU的实现环境相比，基于单块GPU的环境下的实现效率得到了显著的提升。具体来说，计算差分均匀度、非线性度及透明阶所花时间分别节省了90.28%、78.57%、60%，验证了该方法的有效性。

针对Blow-CAST-Fish算法攻击轮数有限和复杂度高等问题，提出一种基于差分表的Blow-CAST-Fish算法的密钥恢复攻击。首先，对S盒的碰撞性进行分析，分别基于两个S盒和单个S盒的碰撞，构造6轮和12轮差分特征；然后，计算轮函数f₃的差分表，并在特定差分特征的基础上扩充3轮，从而确定密文差分与f₃的输入、输出差分的关系；最后，选取符合条件的明文进行加密，根据密文差分计算f₃的输入、输出差分值，并查寻差分表找到对应的输入、输出对，从而获取子密钥。在两个S盒碰撞的情况下，所提攻击实现了9轮Blow-CAST-Fish算法的差分攻击，比对比攻击多1轮，时间复杂度由2^107.9降低到2⁷⁴；而在单个S盒碰撞的情况下，所提攻击实现了15轮Blow-CAST-Fish算法的差分攻击，与对比攻击相比，虽然攻击轮数减少了1轮，但弱密钥比例由 {\mathrm{2}}^{-\mathrm{52.4}} 提高到 {\mathrm{2}}^{-\mathrm{42}} ，数据复杂度由2⁵⁴降低到2⁴⁷。测试结果表明，在相同差分特征基础上，基于差分表的攻击的攻击效率更高。

在深度学习中图像分类任务研究里发现，对抗攻击现象给深度学习模型的安全应用带来了严峻挑战，引发了研究人员的广泛关注。首先，围绕深度学习中用于生成对抗扰动的对抗攻击技术，对图像分类任务中重要的白盒对抗攻击算法进行了详细介绍，同时分析了各个攻击算法的优缺点；然后，分别从移动终端、人脸识别和自动驾驶三个现实中的应用场景出发，介绍了白盒对抗攻击技术的应用现状；此外，选择了一些典型的白盒对抗攻击算法针对不同的目标模型进行了对比实验并分析了实验结果；最后，对白盒对抗攻击技术进行了总结，并展望了其有价值的研究方向。