针对现阶段我国海关风险布控方法存在效率、准确率较低、人力资源占用过多的问题和智能化分类算法小型化部署需求，提出一种基于改进蝶形反馈型神经网络（BFNet-V2）的海关风险布控方法。首先，运用编码填充（FC）算法实现海关表格数据到模拟图像的语义替换；其次，运用BFNet-V2训练模拟图像数据，由左右两条链路、不同卷积核和块、小块的设计组成规则的神经网络结构，并添加残差短路径干预改善过拟合和梯度消失；最后，提出历史动量自适应矩估计算法（H-Adam）优化梯度下降过程，取得更优的自适应学习率调整方式，并分类海关数据。选取Xception（eXtreme inception）、移动网络（MobileNet）、残差网络（ResNet）和蝶形反馈型神经网络（BF-Net）为基线网络结构进行对比。BFNet-V2的接受者工作特征曲线（ROC）和查准率-查全率曲线（PR）包含了基线网络结构的曲线，与4种基线网络结构相比，基于迁移学习（TL）的BFNet-V2分类准确率分别提高了4.30%、4.34%、4.10%和0.37%。在真实标签数据分类过程中，BFNet-V2的查获误判率分别降低了70.09%、57.98%、58.36%和10.70%。比较所提方法与包含浅层和深度学习方法在内的8种分类方法，在3个数据集上的准确率均提升1.33%以上，可见所提方法能够实现表格数据自动分类，提升海关风险布控的效率和准确度。

针对超越函数多项式的实根分离问题，提出了一种指数函数多项式的区间分离算法exRoot，将非多项式型实函数的实根分离问题转化为多项式正负性判定问题进而对其求解。首先，利用泰勒替换法构造目标函数的多项式区间套；然后，将指数函数的求根问题转化为多项式在区间内正负性的判定问题；最后，给出综合算法，并且试探性地应用于实特征值线性系统的可达性判定问题。所提算法在Maple中实现，输出的结果可读，且高效易行。区别于HSOLVER和数值计算方法fsolve，exRoot回避了直接讨论根的存在性问题，理论上具有终止性和完备性，且可达到任意精度，应用于最优化问题时可避免数值解带来的系统误差。

由于构造概念格的时间复杂度高，在推荐领域已有研究者提出用概念集合来替代概念格。但目前对概念集合的研究未考虑近似概念的作用，因此将近似概念引入推荐应用，并提出基于遗传算法（GA）的近似概念生成算法（ACGA）和相应的推荐应用方案。首先由启发式方法生成初始概念集合；其次用交叉算子对初始概念集合中的概念的外延两两求交集，从而得到近似概念；然后用选择算子根据外延相似度以及相关阈值筛选出满足条件的近似概念来更新概念集合，而不满足条件的近似概念由变异算子按照用户相似度进行外延调整，直到其满足条件；最后基于新的概念集合，根据邻居用户的偏好向目标用户进行推荐。在4个推荐系统常用的数据集上进行实验，结果表明ACGA生成的近似概念提升了推荐效果，尤其是在2个电影评分数据集上，ACGA与概率矩阵分解（PMF）算法相比，F1值提升了近78%，召回率提升了近104%，精确度提升了近57%；与K最近邻（KNN）算法比较，精确度提升了近12%。