针对基于结构相似性的去色图像质量评估算法没有充分利用图像的梯度特征且采用的对比度相似度特征会忽略图像连续颜色块的一致性导致算法与人类视觉主观判定有较大出入的问题，提出一种基于图像视觉相似性的去色图像质量评估算法--C2G-VSIM。该算法以彩色图像为参考图像，由不同去色算法产生的与之相关的去色灰度图像作为测试图像，对参考图像以及测试图像进行颜色空间转换，并且进行高斯滤波，充分考虑了图像亮度相似度和结构相似度特征，并在此基础上首先引入一种新的颜色一致性对比特征以促使C2G-VSIM对全局颜色对比度特征进行捕捉，其次引入梯度幅值特征至C2G-VSIM中以提高算法对图像梯度特征的敏感度，最后联合得到图像质量评估因子C2G-VSIM。在Cadík的数据集上的实验结果表明，C2G-VSIM与人类视觉主观评定的等级相关性在准确度和主观评判喜爱度上分别达到了0.8155和0.7634，相对于基于彩色图和灰度图的结构相似性（C2G-SSIM）评估算法在未增加较大耗时的情况下，准确度有明显提高。所提算法与人类视觉主观判定具有较高的一致性，且计算简单，在实际工程中能大规模且有效地对去色图像进行自动化评分。

在详细分析高效率视频编码标准HEVC现有码率控制算法JCTVC-H0213的基础上，提出了一种快速有效的改进算法。该算法根据前一帧的目标比特和实际比特的比值来确定当前帧量化参数。在恒定比特率情况下将该算法与JCTVC-H0213进行比较，实验结果表明该算法对于大部分内容特性序列峰值信噪比变化值提高2.4dB以上，达到了很好的码率控制效果；并且该算法非常简单，适用于实时的码率控制应用。

多尺度Retinex图像增强是一种基于色彩恒定理论的图像增强算法，算法增强效果好，但随着图像分辨率的提高计算时间显著增加。分析并利用计算统一设备架构(CUDA)图形处理器(GPU)的并行处理特性，提出了一种基于CUDA的多尺度Retinex图像增强并行算法，将多尺度高斯滤波、对数空间差分和动态范围压缩等计算非常耗时的模块采用并行方式放在GPU中进行计算。实验结果表明所提算法能显著提高计算速度，随着图像分辨率的增加，最大加速比超过100倍。

针对数值属性数据包含大量噪声而经典粗糙集方法易受噪声干扰的问题，提出一种属性度量指标综合衡量属性在样本上的差异性和相似性。以这种属性度量指标为启发式设计了相似关系粗糙集框架下的数值属性约简算法，并推广到经典粗糙集。在车牌字符集和UCI手写体数字字符集上和常用约简算法进行了比较，实验结果显示这种方法产生的约简属性可以导出规则数少并且具有较好分类能力的规则集。

相比较于Internet搜索，Intranet搜索拥有更多的信息来帮助提高搜索的精度。首先比较了Internet搜索和Intranet搜索的差异，提出了一种在基于相似度比较的查询结果排序算法中加入IP影响因子的改进算法。在开源搜索引擎模块Lucene的基础上实现了这种算法，并设计了一个实验，证明了这种算法改进的可行性和有效性。