三维堆叠集成电路（3D SIC）结构复杂，相较于二维集成电路（2D IC），设计有效的测试结构以降低测试成本更加困难。为降低3D SIC的测试成本，提出一种基于线性反馈移位寄存器（LFSR）的能够有效适应3D SIC不同测试阶段的三维LFSR（3D-LFSR）测试结构。3D-LFSR结构能够在堆叠前独立进行测试；在堆叠后，复用堆叠前的测试结构，并重构为一个适合当前待测电路的测试结构，且重构后的测试结构能进一步降低测试成本。基于3D-LFSR结构，设计了测试数据处理方法和测试流程，并采用混合测试模式以降低测试时间。实验结果表明，相较于双LFSR结构，3D-LFSR结构的平均功耗降低了40.19%，平均面积开销降低了21.31%，测试数据压缩率提升了5.22个百分点；相较于串行测试模式，采用混合测试模式的平均测试时间减少了20.49%。

行人间交互作用的复杂性给行人轨迹预测带来了挑战，且现有算法难以捕获行人间有意义的交互信息，不能直观地建模行人间的交互作用。针对以上问题，提出多头软注意力图卷积网络。首先利用多头软注意力（MS ATT）结合内卷网络Involution分别从空间图和时间图输入中提取稀疏空间和稀疏时间邻接矩阵，生成稀疏空间和稀疏时间有向图；然后，利用图卷积网络（GCN）从稀疏空间和稀疏时间有向图中学习交互作用与运动趋势特征；最后，将学习到的轨迹特征输入时间卷积网络（TCN）以预测双高斯分布参数，生成行人预测轨迹。在ETH和UCY数据集上的实验结果表明：相较于空时社交关系池化行人轨迹预测模型（SOPM），所提算法的平均位移误差（ADE）降低了2.78%；相较于稀疏图卷积网络（SGCN），所提算法的最终位移误差（FDE）降低了16.92%。

基于图像合成蒙版策略的虚拟试衣技术在扭曲服装和人体融合时能较好地保留服装细节。然而由于在试衣过程中人体和服装的位置和结构难以对齐，试衣结果容易产生严重的遮挡，影响视觉效果。为解决试衣过程中的遮挡问题，提出了一种基于U-Net的生成器。该生成器在U-Net解码器上添加级联的空间和通道注意力模块，从而实现了着装人体的局部特征和扭曲服装的和全局特征的跨域融合。形式上，首先采用卷积网络预测薄板样条插值（TPS）变换的方法将服装根据目标人体姿态进行扭曲；然后，将着装人体解析信息和扭曲服装输入到提出的生成器中，并获取对应服装区域的掩码图像以渲染中间结果；最后，采用掩码合成的策略来通过掩码处理将扭曲服装与中间结果合成得到最终的试衣结果。实验结果表明，所提方法不仅可以减少遮挡，而且增强了图像细节，相较于CP-VTON方法，产生的图像的平均峰值信噪比（PSNR）提高了10.47%，平均FID减小了47.28%，平均结构相似性（SSIM）提高了4.16%。

近年来，深度学习在很多领域得到广泛应用；然而，由于深度神经网络模型的高度非线性操作，导致其可解释性较差，并常常被称为“黑箱”模型，无法应用于一些对性能要求较高的关键领域；因此，对深度学习的可解释性开展研究是很有必要的。首先，简单介绍了深度学习；然后，围绕深度学习的可解释性，从隐层可视化、类激活映射（CAM）、敏感性分析、频率原理、鲁棒性扰动测试、信息论、可解释模块和优化方法这8个方面对现有研究工作进行分析；同时，展示了深度学习在网络安全、推荐系统、医疗和社交网络领域的应用；最后，讨论了深度学习可解释性研究存在的问题及未来的发展方向。

虚假新闻不仅会导致人们形成错误观念，损害人们的知情权，还会降低新闻网站公信力。针对新闻网站出现虚假新闻的问题，提出一种基于区块链技术的虚假新闻检测方法。首先，通过调用智能合约为新闻随机分配审核者来判定新闻的真实性。然后，调整审核者数量以确保有效审核者的数量，提高审核结果的可信度。同时设计激励机制，根据审核者的行为分配奖励，并运用博弈论分析审核者的行为和获得的奖励，为了获得最大利益，审核者的行为必须是诚实的。而后设计审计机制检测恶意的审核者，以提高系统的安全性。最后，利用以太坊智能合约实现了一个简易的区块链虚假新闻检测系统，并对虚假新闻检测进行了仿真，结果显示所提方法的新闻真实性检测的准确率达到了95%，表明该方法可有效防止虚假新闻的发布。

对已有的两个认证邮件协议作了详细分析后指出了其中的缺陷和安全漏洞，通过使用盲解密的可验证加密方案提出改进后的新认证邮件协议。改进后的协议弥补了原有协议的缺陷，并分别保证了公平性和保密性。