特征选择是软件缺陷预测中数据预处理的关键步骤。针对现有特征选择方法存在的降维效果不显著、选取的最优特征子集分类精度低等问题，提出了一种基于自适应混合粒子群优化（SHPSO）的软件缺陷预测特征选择方法。首先，结合种群划分设计了基于Q学习的自适应权重更新策略，其中引入Q学习根据粒子的状态自适应地调整惯性权重；其次，为了平衡算法前期的全局搜索能力和后期的收敛速度，提出了基于曲线自适应的时变学习因子；最后，采用混合位置更新策略帮助粒子尽快跳出局部最优解，并增加粒子的多样性。在12个公开软件缺陷数据集上进行实验验证的结果表明，与使用全部特征的方法、常用的传统特征选择方法及主流的基于智能优化算法的特征选择方法相比，所提方法在提高软件缺陷预测模型分类性能和降低特征空间维度上均取得了有效的结果。与改进樽海鞘群算法（ISSA）相比，所提方法的分类精度平均提高了约1.60%，特征子集规模平均降低了约63.79%。实验结果表明，所提方法可以选出分类精度较高且数量较少的特征子集。

为了解决实际高光谱解混（HU）中噪声对解混精度的影响和光谱、空间信息利用不足的问题，提出了一种改进的基于光谱距离聚类的群稀疏非负矩阵分解的解混算法。首先，引入了基于最小误差的高光谱信号辨识算法（Hysime），通过计算特征值的方式估计信号矩阵和噪声矩阵；然后，提出了一种简单的基于光谱距离的聚类算法，对多个波段生成的光谱反射率距离值小于某一值的相邻像元进行合并聚类生成空间群结构；最后，在生成的群结构基础上进行稀疏化非负矩阵分解。实验分析表明，对于模拟数据和实际数据而言，该算法都比传统算法产生更小的均方根误差（RMSE）和光谱角距离（SAD），能够产生优于同类算法的解混效果。