为解决传统卷积神经网络中大量池化层的引入导致特征信息丢失的问题，依据胶囊网络(CapsNet)使用向量神经元保存特征空间信息的特性，提出了一种用以识别三维模型的网络模型3DSPNCapsNet。使用新的网络结构，提取更具代表性的特征的同时降低了模型复杂度，并提出基于动态路由(DR)算法的DRL算法来优化胶囊权重的迭代计算过程。在ModelNet10上的实验结果表明，相比3DCapsNet以及VoxNet，该网络取得了更好的识别效果，在原始测试集上3DSPNCapsNet的平均识别准确率达到95%，同时验证了该网络对旋转三维模型的识别能力。适当扩展旋转训练集之后，所提网络对各角度旋转模型的平均识别率达到81%。实验结果表明，3DSPNCapsNet对三维模型及其旋转具有良好的识别能力。

为了改善推荐系统存在的稀疏性和冷启动问题，提出一种融合信任信息的欧氏嵌入推荐（TREE）算法。首先，利用欧氏嵌入模型将用户和项目嵌入到统一的低维空间中；其次，在用户相似度计算公式中引入项目参与度和用户共同评分因子以度量信任信息；最后，在欧氏嵌入模型中加入社交信任关系正则化项，利用不同偏好的信任用户约束用户的位置向量并生成推荐结果。实验将TREE算法与概率矩阵分解（PMF）、社会正则化（SoReg）模型、社交的矩阵分解（SocialMF）模型、社交信任集成模型（RSTE）四种算法进行对比，当维度为5和10时，在Filmtrust数据集上TREE算法的均方根误差（RMSE）比最优的RSTE算法分别降低了1.60%、5.03%，在Epinions数据集上TREE算法的RMSE比最优的社交矩阵分解模型（SocialMF）算法分别降低了1.12%、1.29%。实验结果表明，TREE算法能进一步缓解稀疏和冷启动问题，提高评分预测的准确性。

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。

根据玻璃碎片图像的特点,首先去噪、用传统的边缘检测算子检测边缘,并进行阈值分割,生成了初始的二值分割;然后通过求距离函数并对其进行重建、倒置;最后执行基于链码的分水岭变换算法得到一个完整的玻璃碎片分割图,可用来统计出分割块数和进行后续分析。