针对传统基于兴趣区的可视化方法在分析飞行员眼动数据过程中无法关注细节的问题，提出了一种基于用户自定义兴趣区的眼动数据可视分析方法。首先，根据具体的分析任务，引入对任务背景图像的自我划分和定义；然后，在此基础上，结合多种辅助视图和交互手段，设计并实现了面向飞行员培训的眼动数据可视分析系统，帮助分析人员分析不同的飞行员之间的眼动差异，最后通过案例分析，证明了可视分析方法的有效性和分析系统的实用性。实验结果表明，较传统方法来说，所提方法增加了分析人员在分析过程中的主动性，在整体和局部方面，支持分析人员对任务背景进行细节的探索，增加了分析人员分析数据的多角度性，让分析人员能够结合整体发现飞行学员在训练过程中认知困难的部分，进而制定更有针对性、更有效的训练课程。

针对基于降维技术改进的多目标A ^*（NAMOA _dr ^*）算法中存在的高原搜索现象，结合蒙特卡罗随机游走策略提出了一种基于随机游走的多目标A ^*（RWNAMOA _dr ^*）算法，其基本思想是当NAMOA _dr ^*算法陷入高原搜索时，利用随机游走策略及时找到一个出口（具有被上次扩展标签的启发值非支配的启发值的标签）逃离该高原搜索。针对NAMOA _dr ^*算法何时陷入高原搜索的问题，提出了一种检测高原搜索的方法，即当连续扩展 m次标签的启发值都被上一次扩展的标签的启发值支配时则认为NAMOA _dr ^*算法陷入了高原搜索。使用多目标搜索算法的标准测试平台——随机网格进行了实验。实验结果表明RWNAMOA _dr ^*算法比NAMOA _dr ^*算法的运行时间平均减少了50.69%，占用的空间平均减少了约10%，能够为现实生活中加速多目标路径搜索提供理论支撑。