现有树解码器仅适合求解单变量问题而求解多元问题的效果欠佳，而大多数数学求解器对真值表达式的错误选择导致训练出现学习偏差。针对上述问题，提出基于表达式的逐层聚合和动态选择的图到方程树（GET）模型。首先，通过图编码器学习文本语义；其次，从方程树的底层开始逐层迭代地聚合数量和未知变量以得到子表达式；最后，结合输出表达式的最长前缀动态地选择真值表达式以实现偏差最小化。实验结果表明，所提模型在Math23K数据集上的精度达到83.10%，相较于图到树（Graph2Tree）模型提升了5.70个百分点。可见，所提模型适用于复杂多元数学问题的求解，并能降低学习偏差对实验结果的影响。

针对基于张量积小波的去雨方法无法捕获所有方向的高频雨纹的问题，提出基于不可分提升小波的双U-Former网络（DUFN）。首先，利用各向同性的不可分提升小波捕捉各个方向的高频雨纹，相较于哈尔小波等张量积小波只能捕捉3个方向的高频雨纹，DUFN能获得更全面的雨纹信息；其次，在各尺度上串联两个由Transformer Block（TB）构成的U-Net，将浅层解码器的语义特征传递到深层阶段，并更彻底地去除雨纹；同时，使用尺度引导编码器通过浅层各尺度信息引导编码阶段，并利用基于CBAM（Convolutional Block Attention Module）的门控融合模块（GFM）使融合过程更专注于有雨区域。实验结果表明，相较于先进方法SPDNet（Structure-Preserving Deraining Network），在Rain200H、Rain200L、Rain1200和Rain12这4个合成数据集上，DUFN的结构相似度（SSIM）平均提高了0.009 7，在Rain200H、Rain200L和Rain12这3个合成数据集上，DUFN的峰值信噪比（PSNR）平均提高了0.657 dB；在真实世界数据集SPA-Data上，相较于先进方法ECNetLL（Embedding Consistency Network+Layered Long short-term memory），DUFN的PSNR和SSIM分别提高了0.976 dB和0.003 1。验证了DUFN可以通过增强捕捉高频信息的能力提升去雨性能。

由于MonoDepth2的提出，无监督单目测距在可见光领域取得了重大发展；然而在某些场景例如夜间以及一些低能见度的环境，可见光并不适用，而红外热成像可以在夜间和低能见度条件下获得清晰的目标图像，因此对于红外图像的深度估计显得尤为必要。由于可见光和红外图像的特性不同，直接将现有可见光单目深度估计算法迁移到红外图像是不合理的。针对该问题，对MonoDepth2算法进行改进，提出了基于多尺度特征融合的红外单目测距算法。针对红外图像低纹理的特性设计了一项新的损失函数边缘损失函数，旨在降低图像重投影时的像素误匹配。不同于以往的无监督单目测距单纯地将四个尺度的深度图统一上采样到原图像分辨率计算投影误差而忽略了尺度之间的关联性以及不同尺度之间的贡献差异，将加权的双向特征金字塔网络（BiFPN）应用于多尺度深度图的特征融合，解决了深度图边缘模糊问题。另外用跨阶段部分网络（CSPNet）替换残差网络（ResNet）结构，以降低网络复杂度并提高运算速度。实验结果表明，边缘损失更适合红外图像测距，使得深度图质量更高；在加入BiFPN结构之后，深度图像的边缘更加清晰；将ResNet替换为CSPNet之后，推理速度提高了大约20个百分点。该算法能够准确估计出红外图像的深度，解决夜间低光照场景以及一些低能见度场景下的深度估计难题；该算法的应用也可以在一定程度上降低汽车辅助驾驶的成本。

针对传统农产品价格预测模型在大数据场景下无法快速准确对苹果市场价格进行预测的问题，提出一种基于分布式神经网络的苹果价格预测方法。首先，研究影响苹果市场价格的相关因素，选取苹果历史价格、替代品历史价格、居民消费水平和原油价格四个特征作为神经网络模型的输入；然后，构建蕴含价格波动规律的分布式神经网络模型，实现对苹果市场价格的短期预测。实验结果显示，基于分布式神经网络的苹果市场价格短期预测模型具有较高的预测精度，平均相对误差仅为0.50%，满足苹果市场价格预测的要求。实验结果表明，分布式神经网络模型能够通过自学习特性揭示出苹果市场价格的波动规律和发展趋势，所提方法能为稳定苹果市场秩序和市场价格宏观调控提供科学依据，有助于降低价格波动带来的危害，帮助果农规避市场风险。