针对目前的分数阶非线性模型图像特征提取能力不足导致分割精度较低的问题，提出一种基于分数阶网络和强化学习（RL）的图像实例分割模型，用来分割出图像中目标实例的高质量轮廓曲线。该模型共包含两层模块：1）第一层为二维分数阶非线性网络，主要采用混沌同步方法来获取图像中像素点的基础特征，并通过根据像素点间的相似性进行耦合连接的方式获取初步的图像分割结果；2）第二层通过RL思想将图像实例分割建立为一个马尔可夫决策过程（MDP），并利用建模过程中的动作-状态对、奖励函数和策略的设计来获取图像的区域结构和类别信息。最后将第一层获取到的像素特征和初步的图像分割结果与第二层获取到的区域结构和类别信息联合起来进行实例分割。在Pascal VOC2007 和Pascal VOC2012数据集上的实验结果表明，这种基于连续决策的图像实例分割模型与传统的分数阶模型相比，平均精度（AP）至少提升了15个百分点，不仅能够获取图像中目标物体的类别信息，而且进一步提升了对图像轮廓细节和细粒度信息的提取能力。

针对电影票房预测与分类的研究中存在预测精度不高、缺乏实际应用价值等缺陷，通过对中国电影票房市场的研究，提出一种基于反馈神经网络的电影票房预测模型。首先，确定电影票房的影响因素以及输出结果格式；其次，对这些影响因子进行定量分析和归一量化处理；再次，根据确定的输入和输出变量确定各个网络层次神经元数量，建立神经网络结构，改进神经网络预测的算法和流程，建立票房预测模型;最后，用经过去噪处理的电影历史票房数据对神经网络进行训练。针对神经网络波动性的特点，对预测模型的输出结果进行改进之后，输出结果既能更可靠地反映电影在上映期间的票房收入，又能指出电影票房的波动范围。仿真结果表明，对于实验中的192部电影，基于神经网络算法的预测模型有较好的预测和分类性能(前5周票房的平均相对误差为43.2%，平均分类正确率可达93.69%)，能够为电影在上映前的投资、宣传以及风险评估提供较全面、可靠的参考方案，在预测分类领域具有较好的应用价值和研究前景。