目前，单幅图像超分辨率重建取得了很好的效果，然而大多数模型都是通过增加网络层数来达到好的效果，并没有去发掘各通道之间的相关性。针对上述问题，提出了一种基于通道注意力机制（CA）和深度可分离卷积（DSC）的图像超分辨率重建方法。整个模型采用多路径模式的全局和局部残差学习，首先利用浅层特征提取块来提取输入图像的特征；然后，在深层特征提取块中引入通道注意力机制，通过调整各通道的特征图权重来增加通道相关性，从而提取高频特征信息；最后，重建出高分辨率图像。为了减少注意力机制带来的巨大参数影响，在局部残差块中使用了深度可分离卷积技术以大大减少训练参数，同时采用自适应矩估计（Adam）优化器来加速模型的收敛，从而提高了算法性能。该方法在Set5、Set14数据集上进行图像重建，实验结果表明不仅该方法重建的图像具有更高的峰值信噪比（PSNR）和结构相似度（SSIM），而且所提模型的参数量减少为深度残差通道注意力网络（RCAN）模型的参数量的1/26。

整数区间是指区间的左右端点都是整数，由左右端点及它们之间的所有整数构成的集合。整数区间的位置关系是指两个整数区间在数轴上的位置的相对关系。针对整数区间位置关系提出一种安全两方计算问题，即隐私保护整数区间位置关系判定问题，该问题旨在帮助拥有隐私整数区间的两个用户，在保护输入隐私的前提下，正确地判断出他们的整数区间的位置关系。定义了整数区间的6种位置关系，给出了整数区间的0-1编码方案，并证明了整数区间位置关系的一种判定准则。基于Goldwasser-Micali加密体制在半诚实攻击者模型下设计了解决整数区间位置关系判定问题的一个两方计算协议，证明了协议的正确性和安全性，并对协议的性能进行了分析和说明。

隐私保护地判断整数点和整数区间的属于关系是一类重要的安全多方计算问题，但该问题的现有解决方案存在效率不高、隐私泄露、甚至可能判断错误等缺陷，针对此类不足，构建解决该判定问题的一个安全双方计算协议。首先，分析已有的解决方案并指出不足之处；其次，定义了整数点和整数区间的一种新的0-1编码规则，在此基础上证明了整数点属于整数区间的一个充分必要条件；最后，以此充分必要条件为判定准则，基于Goldwasser-Micali加密体制构建了判断整数点是否属于整数区间的一个安全双方计算协议，并证明了协议的正确性和半诚实模型下的安全性。分析表明，与已有的解决方案相比，所提协议具有更好的隐私保护特性且不会输出错误结果，且在轮复杂度不变的情况下，其计算复杂度和通信复杂度降低了约一半。