为去除磁共振成像（MRI）中的吉布斯伪影，提出一种基于自蒸馏训练的自注意力连接UNet （SD-SacUNet）算法。为了缩小UNet框架中跳连接两端编码和解码特征之间的语义差距，帮助捕捉伪影的位置信息，将UNet编码端每个下采样层的输出特征分别输入各自的自注意力连接模块进行自注意力机制的运算，而后与解码特征进行融合，参与特征的重建；在网络解码端进行自蒸馏训练，通过建立深层与浅层特征之间的损失函数，使深层重建网络的特征信息可以用于指导浅层网络的训练，同时优化整个网络，提升图像重建水平。在公开的MRI数据集CC359上评估SD-SacUNet算法的性能，获得的峰值信噪比（PSNR）为30.26 dB，结构相似性（SSIM）为0.917 9；与GRACNN （Gibbs-Ringing Artifact reduction using Convolutional Neural Network）、SwinIR （Image Restoration using Swin Transformer）相比，SD-SacUNet的PSNR分别提高了0.77 dB、0.14 dB，SSIM分别提高了0.018 3、0.003 3。实验结果表明，SD-SacUNet算法提升了MRI去除吉布斯伪影的图像重建性能，具备潜在的应用价值。

受台风、大雾、雨雪等复杂天气以及遮挡、尺度变化等影响，现有船舶检测方法存在误检和漏检问题。针对上述复杂场景问题，在YOLOX-S模型的基础上，提出一种自适应特征融合的多尺度船舶检测方法。首先，在主干特征提取网络中引入特征增强模块，抑制复杂背景噪声对船舶特征提取的干扰；其次，考虑深浅层次特征融合比例问题，设计自适应特征融合模块，充分利用深浅层次特征，提高模型的多尺度船舶检测能力；最后，在检测头网络，将检测头解耦，并引入自适应的多任务损失函数，平衡分类任务和回归任务，提高船舶检测的鲁棒性。实验结果显示，所提方法在公开船舶检测数据集SeaShips和McShips上的检测平均精度均值（mAP）分别达到了97.43%和96.10%，检测速度达到每秒189帧，满足实时检测的要求，验证了所提方法在复杂场景下仍能对多尺度船舶目标实现高精度检测。

针对流式数据处理系统Flink无法高效处理单点故障的问题，提出了一种基于增量状态和备份的故障容错系统Flink+。首先，提前建立备份算子和数据通路；然后，对数据流图中的输出数据进行缓存，必要时使用磁盘；其次，在系统快照时进行任务状态同步；最后，在系统故障时使用备份任务和缓存的数据恢复计算。在系统实验测试中，Flink+在无故障运行时没有显著增加额外容错开销；而在单机和分布式环境下处理单点故障时，与Flink系统相比，所提系统在单机8任务并行度下故障恢复时间减少了96.98%，在分布式16任务并行度下故障恢复时间减少了88.75%。实验结果表明，增量状态和备份方法一起使用可以有效减少流式系统单点故障的恢复时间，增强系统的鲁棒性。