针对传统卷积神经网络（CNN）对人体行为动作仅能提取局部特征易导致相似行为动作识别准确率不高的问题，提出了一种基于双流非局部残差网络（NL-ResNet）的行为识别方法。首先提取视频的RGB帧和密集光流图，分别作为空间流和时间流网络的输入，并通过角落裁剪和多尺度相结合的预处理方法进行数据增强；其次分别利用残差网络的残差块提取视频的局部表观特征和运动特征，再通过在残差块之后接入的非局部CNN模块提取视频的全局信息，实现网络局部特征和全局特征的交叉提取；最后将两个分支网络分别通过A-softmax损失函数进行更精细的分类，并输出加权融合后的识别结果。该方法能充分利用局部和全局特征提高模型的表征能力。在UCF101数据集上，NL-ResNet取得了93.5%的识别精度，与原始双流网络相比提高了5.5个百分点。实验结果表明，所提模型能更好地提取行为特征，有效提高行为识别的准确率。

针对股票、基金等大量时间序列数据的趋势预测问题，提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先，在原始时间序列中提取带有多时间尺度特征的特征树，其刻画了时间序列，不仅带有序列在各个层次的特征，同时表示了层次之间的关系。然后，利用聚类挖掘特征序列中的隐含状态。最后，应用隐马尔可夫模型（HMM）设计一个多时间尺度趋势预测算法（MTSTPA），同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中，在各个尺度上的预测准确率均在60%以上，与未使用特征树对比，使用特征树的模型预测效率更高，在某一尺度上准确率高出10个百分点以上。同时，与经典自回归滑动平均模型（ARMA）模型和PHMM（Pattern-based HMM）对比，MTSTPA表现更优，验证了其有效性。

针对混沌序列单一调频或调相波形存在波形复杂度低,限制了混沌信号可预测的概率、雷达的截获概率和抗干扰性能的问题,提出了基于混沌序列将频率和相位联合调制用于波形设计的方法。首先,对雷达信号进行混沌频率编码,即将一个脉冲分成一系列子脉冲,对不同子脉冲进行不同的频率调制。同时,在每个频率编码子脉冲内对波形的每个周期使用随机产生的初始相位。仿真结果表明,联合调频调相混沌雷达信号的自相关旁瓣峰值最大值达到-24.71 dB,相比调频混沌信号或调相混沌信号,其相关性性能有所提高。实验结果表明,联合调频调相混沌雷达波形结合调相和调频的优点,既具有调相信号的功率谱平坦的特性,又具有调频信号抗噪声干扰特性,为非常理想的探测信号。