相较于传统药物的研发，药物-靶标的预测方法能够有效降低成本，加快研发进程，但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此，提出一种自适应球形演化的药物-靶标相互作用预测方法ASE-KELM（self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine）。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本；并且为了解决球形演化算法易陷入局部最优的问题，利用搜索因子历史记忆的反馈机制及群大小线性递减的策略（LPSR），实现全局搜索和局部搜索的平衡，提高算法的寻优能力；然后利用自适应球形演化算法对核极限学习机（KELM）的参数进行优化。在基于黄金标准的数据集上将ASE-KELM与NetLapRLS（Network Laplacian Regularized Least Square）、BLM-NII（Bipartite Local Model with Neighbor-based Interaction profile Inferring）等算法进行对比，验证算法的性能。实验结果表明，在酶（E）、G-蛋白偶联受体（GPCR）、离子通道（IC）和核受体（NR）数据集中，ASE-KELM的ROC曲线下面积（AUC）与PR曲线下面积（AUPR）均优于对比算法；且基于DrugBank等数据库，ASE-KELM在预测新药物-靶标对的验证过程中表现良好。

针对传统互联技术难以实现内外网在安全可信情况下互联互通互操作的问题，将可信计算中的相关技术应用到网络互联中，实现内外网在安全隔离情况下的信息交互。研究了网络可信互联框架模型，结合该模型，对基于身份的公钥认证算法进行改进，设计了认证系统与接入者之间的密码协议。分析实体的持续性行为进行并建立评估树模型，对接入者自身的安全状况进行综合可信度评估。最后，通过测试实验对评估方法进行分析与验证，实验结果表明，该评估模型排除时效偏差等不利因素的影响，具有可行性和有效性。

重采样是图像篡改中的一种典型操作，针对现有重采样伪作检测算法对于JPEG压缩格式的图像检测效果不理想，也无法准确估计其中的缩放因子的问题，提出了基于再采样的图像重采样检测算法。该算法先将待检验的JPEG图像以缩放因子小于1进行再次重采样，以削弱JPEG压缩对算法的影响，再利用重采样信号二阶导数具有的周期性来进行重采样操作检测。实验结果表明，该算法具有很强的抗JPEG压缩能力，同时能够准确估计真实的缩放因子。另外，该算法对于经过不同缩放因子而得到的图像进行合成时的重采样操作，也有明显的检测效果。