针对构建大规模机器学习系统在可扩展性、算法收敛性能、运行效率等方面面临的问题，分析了大规模样本、模型和网络通信给机器学习系统带来的挑战和现有系统的应对方案。以隐含狄利克雷分布（LDA）模型为例，通过对比三款开源分布式LDA系统——Spark LDA、PLDA+和LightLDA，在系统资源消耗、算法收敛性能和可扩展性等方面的表现，分析各系统在设计、实现和性能上的差异。实验结果表明：面对小规模的样本集和模型，LightLDA与PLDA+的内存使用量约为Spark LDA的一半，系统收敛速度为Spark LDA的4至5倍；面对较大规模的样本集和模型，LightLDA的网络通信总量与系统收敛时间远小于PLDA+与SparkLDA，展现出良好的可扩展性。“数据并行+模型并行”的体系结构能有效应对大规模样本和模型的挑战；参数弱同步策略（SSP）、模型本地缓存机制和参数稀疏存储能有效降低网络开销，提升系统运行效率。

为了提高工作流过程定义的效率，提出了一种基于复用的工作流过程定义方法。文中讨论了构建和描述可复用资产——领域业务本体和工作流模板的方法，给出了基于领域业务本体检索工作流模板的方法。在此基础上，开发了基于复用的过程定义工具PDTBR，并在实际使用中验证了该方法的可行性与有效性。

提出了一种应用于软件测试中的基于免疫遗传算法（IGA）的软件测试数据自动生成的算法。该算法在传统的遗传算法中引入免疫算子，免疫算子其中包括获取疫苗、注射疫苗和免疫选择。实验结果表明，该算法的效果比传统的遗传算法效果好。

以离散余弦变换(DCT)、矩阵奇异值分解(SVD)为基础,提出一种数字水印算法,主要特点就是所嵌入的水印图像是灰度图像,增加了嵌入的信息量,能够满足数字水印系统的透明性和鲁棒性要求。实验结果表明:该算法不仅具有较好的透明性,而且对如叠加噪声、JPEG压缩、中值滤波、低通滤波、对比度增强攻击均具有很好的鲁棒性。