针对传统医学图像融合中需要依靠先验知识手动设置融合规则和参数，导致融合效果存在不确定性、细节表现力不足的问题，提出了一种基于改进生成对抗网络（GAN）的脑部计算机断层扫描（CT）/磁共振（MR）图像融合算法。首先，对生成器和判别器两个部分的网络结构进行改进，在生成器网络的设计中采用残差块和快捷连接以加深网络结构，更好地捕获深层次的图像信息；然后，去掉常规网络中的下采样层，以减少图像传输过程中的信息损失，并将批量归一化改为层归一化，以更好地保留源图像信息，增加判别器网络的深度以提高网络性能；最后，连接CT图像和MR图像，将其输入到生成器网络中得到融合图像，通过损失函数不断优化网络参数，训练出最适合医学图像融合的模型来生成高质量的图像。实验结果表明，与当前表现优良的基于离散小波变换（DWT）算法、基于非下采样剪切波变换（NSCT）算法、基于稀疏表示（SR）算法和基于图像分类块稀疏表示（PSR）算法对比，所提算法在互信息（MI）、信息熵（IE）、结构相似性（SSIM）上均表现良好，最终的融合图像纹理和细节丰富，同时避免了人为因素对融合效果稳定性的影响。

为了提高三维计算机辅助设计(CAD)模型重用效率,针对当前三维模型检索系统中语义表达不足问题,提出了一种基于网络本体语言(OWL)表示模型语义的相似性计算方法。首先,将三维CAD产品主模型转化成以概念属性特征为基础语义对象的结构化表示模型;然后,从OWL表示模型中提取用于评价两个模型相似性的特征语义信息,构建可量化的相似元集,借助子图同构思想和Tversky算法给出了一种加权相似性计算方法;最后,通过实例验证了所提方法的有效性和可行性。实验的定量评价结果表明,该评价基准从对象本身转为两个对象特性的语义描述,能够客观反映两对比模型的相似程度。