线程级推测（TLS）技术可挖掘程序并行执行潜能，提高多核资源利用率，但目前TACLeBench的内核基准仍未在TLS并行化中得到有效分析。针对该问题设计了循环级推测执行的剖析方案和剖析工具。选取7个代表性的TACLeBench内核基准程序，首先对程序进行初始化分析，选取程序热点片段插入循环标识；其次对这些片段进行交叉编译，记录程序推测线程与内存地址相关数据，剖析其循环级最大潜在并行性；最后综合探讨程序运行时的特征（线程粒度、可并行化覆盖率、依赖特征）以及源码对加速比的影响。实验结果表明：1）该类程序适合采用TLS加速，与串行执行结果相比，循环结构的推测执行下的大部分程序的加速比在2以上，其中最高加速比达到20.79；2）利用TLS加速TACLeBench内核程序时，多数应用可有效利用4核到16核的计算资源。

针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题，结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先，使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络，完成主干网络的领域适应性学习，使之具备基本的病理特征捕捉能力；随后,把主干网络二次迁移到多视角网络中，在绵阳市中心医院数据集上进行微调，同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明，领域适应性学习和数据扩充策略平均提升了17%性能指标，取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。

现有X线气胸检测存在两个主要问题：一是由于气胸通常与肋骨、锁骨等组织重叠，在临床上存在较大的漏诊，而现有算法的检测性能仍有待提高；二是现有基于卷积神经网络的算法无法给出可疑的气胸区域，缺乏可解释性。针对上述问题，提出了一种结合密集卷积网络（DenseNet）与梯度加权类激活映射的方法用于X线气胸的检测与定位。首先，构建了一个较大规模的胸部X线数据集PX-ray用于模型的训练和测试。其次，修改DenseNet的输出节点并在全连接层后添加一个sigmoid函数对胸片进行二分类（气胸/非气胸）。在训练过程中通过设置交叉熵损失函数的权重来缓解数据不平衡问题，提高模型准确率。最后，提取网络最后一个卷积层的参数以及对应的梯度，通过梯度加权类激活映射算法获得气胸类别的粗略定位图。在PX-ray测试集上的实验结果表明，所提方法的检测准确率为95.45%，并且在曲线下面积（AUC）、敏感度、特异性等指标上均高于0.9，优于VGG19、GoogLeNet以及ResNet算法，同时实现了对气胸区域的可视化。

现有Web服务在面临高并发请求时,会出现响应时间增加,甚至服务器宕机的问题,为此提出一种基于云计算的自伸缩分布式Web系统架构。该架构构建在OpenStack基础设施即服务(IaaS)的平台之上,结合Cloudify平台即服务(PaaS)的平台,实现了自伸缩云应用平台(ECAP)；并提出以虚拟机资源模板为标度值来构建模糊矩阵,实现模糊层次分析调度算法。最后在云平台上上传测试应用,并使用压力测试工具对平台进行了测试分析,结果表明所构建平台比普通应用服务器在应用的平均响应时间和负荷性能上表现更好。

针对云环境下大规模并发视频流调度过程中资源利用率低和负载不均的问题,提出一种基于蚁群优化(ACO)算法的视频点播(VOD)集群视频流任务调度策略VodAco。在分析视频流期望性能与服务器空闲性能的相关性、定义综合性能匹配度的基础上,建立数学模型,并采用蚁群优化思路进行最佳调度方案搜索。通过云仿真软件CloudSim实验表明,与轮询(RR)、贪婪(Greedy)算法相比,所提算法在任务完成时间、平台资源占有率、各节点性能负载均衡指标上具有较为明显的优势。

针对当前超声图像去噪算法很难同时做到降噪和边缘保持的情况，在进行各向异性扩散模型研究的基础上，提出基于对数压缩的改进各向异性扩散算法（LCAD）去除超声散斑噪声。算法将图像对数压缩后进行噪声分布模型估计，然后构造基于广义伽马分布的扩散系数，在扩散过程中达到降噪和边缘保持效果。