为了提高基于粗糙集理论的不完备数据分析方法（ROUSTIDA）在实际应用中对包含离散型（如整型、字符串型、枚举型）、连续型（如浮点数表达）、缺失型属性的混合信息系统（HIS）数据的填补能力，提出了一种基于粗糙集理论的混合信息系统缺失值填补方法（RSHISMIA）。首先，根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分，解决了填补后可能出现的决策规则冲突问题；其次，定义混合距离矩阵来合理量化对象间的相似性，从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点；然后，结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后，使用10个UCI标准数据集进行实验，将所提出的方法与ROUSTIDA、K近邻填补（KNNI）算法、随机森林填补（RFI）算法和矩阵分解（MF）等几种经典算法进行了比较。实验结果表明，与ROUSTIDA相比，所提方法在查全率上平均高出81%，在查准率上提升了5%~53%，且其归一化均方根误差（NRMSE）最多减小了0.12。此外，所提方法的分类准确率与ROUSTIDA相比平均提升了7%，且优于KNNI、RFI及MF等填补算法。

现有的数字识别算法多是对单一类型数字进行识别，无法应对识别多源数字。针对包含手写体数字与数码管数字的字符识别场景，提出一种基于改进卷积神经网络（CNN）的多源数字识别算法。首先，使用从数显仪表生产企业现场采集的样本，结合MINIST数据集，建立起包含手写体和数码管的混合数据集；然后，考虑更好的鲁棒性，提出一种改进的CNN，并用上述混合数据集对其训练，实现了一个网络识别多类型数字；最后，训练好的神经网络模型被成功应用于RoboMaster机甲大赛的多源数字识别场景中。测试结果表明，所提算法整体识别准确率稳定且较高，具有较好的鲁棒性和泛化能力。

针对有效模式挖掘的组合爆炸及挖掘结果信息如何有效表达的问题，提出了一种基于“核心-牵引”结构的修剪候选模式和考虑项目不确定性的最大模糊模式挖掘算法（MFFP-Tree）。首先，综合分析项目的模糊性，提出模糊支持度，分析项目在事务数据集中的模糊权重，依据模糊修剪策略修剪候选项集；其次，仅扫描数据集一次，就能成功构建模糊模式挖掘树，依据模糊剪枝策略减少模式提取的开销，采用FFP-array阵列结构使得搜索方式更精简，从而进一步降低时空开销。根据基准数据集的实验结果，与最大模式挖掘算法PADS和FPMax ^*对比分析，MFFP-Tree挖掘出的最大模糊模式能够更准确地反映项目与项目之间的关系；算法的时间复杂度能减半甚至低1个数量级；算法的空间复杂度降低1~2个数量级。

针对传统函数指针攻击检测技术无法检测面向返回编程(ROP)攻击的问题,提出了一种基于跳转地址完整性检查的新方法,在二进制代码层面能够检测多种类型的函数指针攻击。首先,通过静态分析得到函数地址信息,然后动态检查跳转目标地址是否位于合法函数区间。分析了非入口点跳转,提出一种动静结合方法检测ROP攻击。基于二进制代码插桩工具实现原型系统fpcheck,对真实攻击和正常程序进行了测试。实验结果表明fpcheck能够检测包括ROP在内的多种函数指针攻击,通过准确的检测策略,误报率显著下降,性能损失相比原始插桩仅升高10%~20%。