针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题，提出一种基于改进实数编码遗传算法（IRCGA）的深度神经网络超参数优化算法——IRCGA-DNN（IRCGA for Deep Neural Network）。首先，采用实数编码方式表示超参数的取值，使超参数的搜索空间更灵活；然后，引入分层比例选择算子增加解集多样性；最后，分别设计了改进的单点交叉和变异算子，以更全面地探索超参数空间，提高优化算法的效率和质量。基于两个仿真数据集，验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明，在两个数据集上，与GA-DNN（Genetic Algorithm for Deep Neural Network）相比，所提算法的收敛迭代次数分别减少了8.7%和13.6%，均方误差（MSE）相差不大；与IGA-DNN（Improved GA-DNN）相比，IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明，所提算法收敛速度和预测性能均更优，能有效处理神经网络超参数优化问题。

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。