葡萄品种质量检测需要识别多类别的葡萄，而葡萄图片中存在多种景深变化、多串等多种场景，单一预处理方法存在局限导致葡萄识别的效果不佳。实验的研究对象是大棚中采集的15个类别的自然场景葡萄图像，并建立相应图像数据集Vitis-15。针对葡萄图像中同一类别的差异较大而不同类别的差异较小的问题，提出一种基于卷积神经网络（CNN）的多尺度葡萄图像识别方法。首先，对Vitis-15数据集中的数据通过三种方法进行预处理：旋转图像的数据扩增方法、中心裁剪的多尺度图像方法以及前两种方法的数据融合方法；然后，采用迁移学习方法和卷积神经网络方法来进行分类识别，迁移学习选取ImageNet上预训练的Inception V3网络模型，卷积神经网络采用AlexNet、ResNet、Inception V3这三类模型；最后，提出适合Vitis-15的多尺度图像数据融合的分类模型MS-EAlexNet。实验结果表明，在同样的学习率和同样的测试集上，数据融合方法在MS-EAlexNet上的测试准确率达到了99.92%，相较扩增和多尺度图像方法提升了近1个百分点，并且所提方法在分类小样本数据集上具有较高的效率。

针对车载自组织网络（VANET）拓扑结构的动态性特征，基于车辆换道功能的智能驾驶移动模型，应用VanetMobiSim仿真软件详细研究车载自组织网络拓扑结构的动态中心性。构建VANET时序网络模型，建立基于衰落因子和信息存储转发指数的动态中心性评价方法，该方法不仅能够描述当前网络拓扑与历史网络拓扑之间的联系，而且能够刻画VANET中信息的存储转发机制；最后，通过仿真实验分析了VANET动态中心性。结果表明虽然VANET拓扑结构的动态中心性随着衰落因子和信息存储转发指数的变化而变化，但重要节点整体的排名基本保持相对稳定的状态。该结论有助于更好地确定信息传播的中继节点，实现信息的成功投递，而且为VANET拓扑结构的抗毁性提供指导。

针对车载自组织网络（VANET）的抗毁性问题，分析了其在随意攻击和蓄意攻击下网络的抗毁性特征。首先，提出以最大连通度、连通分支平均规模、临界点移除比例及网络效率为评价指标的VANET拓扑抗毁性参数；然后，基于带有车辆换道功能的智能驾驶员模型，应用VanetMobisim仿真软件建立VANET；最后，通过仿真实验分析了网络节点数、通信半径以及攻击模式对VANET抗毁性的影响。实验结果表明由于车辆节点度分布的不均匀性，VANET对随意攻击具有较强的抗毁性，而在蓄意攻击下显得比较脆弱；基于节点介数的蓄意攻击对网络的破坏更快、更强。这些规律为优化VANET拓扑控制、网络协议开发和网络管理提供新的指导。

针对车载自组织网络(VANET)的连通性问题,分析了其拓扑动态变化过程中网络的连通性的演化特征。首先,提出以连通分支数、连通概率及连通长度为评价指标的VANET拓扑连通性参数;然后,结合车辆换道功能的智能驾驶移动模型(IDM-LC),应用VanetMobiSim仿真软件建立VANET;最后,通过仿真实验分析了节点通信半径与平均连通分支数、平均连通率及平均连通长度之间的关系,同时分析了VANET连通分支数的统计分布特征,用Q-Q图和T检验验证得出结论:连通分支数服从正态分布,且该统计分布特征与节点通信半径无关。

针对拉普拉斯流域分割边界处分割效果不好的缺点，根据能量区域集中性原理,定义了一个差异度函数。当两个区域间的差异度大于它们其中任何一个,则认为它们之间有边缘存在,否则它们属于同一个区域,应进行合并。通过在vs2008环境进行仿真，对蝴蝶图像进行分割,最终分割成蝴蝶和三个背景区域,不同的区域用不同的颜色表示。实验表明该算法分割效果较好,速度也比较快。

介绍了基于时间序列、神经网络和小波的多种网络业务的预报方法，应用真实的无线局域网业务流序列检验了这些模型的预报性能，结果表明，和其他预报模型相比，基于神经网络的模型能够比较精确地捕获无线局域网业务流自身的特性，对业务流具有良好的预报性能，而基于ARIMA模型的预报性能最差。