搜索引擎作为互联网主要应用之一，能够根据用户需求从互联网资源中检索并返回有效信息。然而，得到的返回列表往往包含广告和失效网页等噪声信息，而这些信息会干扰用户的检索与查询。针对复杂的网页结构特征和丰富的语义信息，提出了一种基于注意力机制和集成学习的网页黑名单判别方法，并采用本方法构建了一种基于集成学习和注意力机制的卷积神经网络（EACNN）模型来过滤无用的网页。首先，根据网页上不同种类的HTML标签数据，构建多个基于注意力机制的卷积神经网络（CNN）基学习器；然后，采用基于网页结构特征的集成学习方法对不同基学习器的输出结果执行不同的权重计算，从而实现EACNN的构建；最后，将EACNN的输出结果作为网页内容分析结果，从而实现网页黑名单的判别。所提方法通过注意力机制来关注网页语义信息，并通过集成学习的方式引入网页结构特征。实验结果表明，与支持向量机（SVM）、 K近邻（ KNN）、CNN、长短期记忆（LSTM）网络、GRU、结合注意力机制的卷积神经网络（ACNN）等基线模型相比，所提模型在所构建的面向地理信息领域的判别数据集上具有最高的准确率（0.97）、召回率（0.95）和 F ₁分值（0.96），验证了EACNN在网页黑名单判别工作中的优势。

针对目前套牌车泛滥的现状，提出了一种基于网格化监控的套牌车检测系统。该系统使用车牌识别技术，采集经过监测点车辆的信息，如车牌、出现时间。按照一辆车不可能“同时”出现在两个地点的原理，自动完成套牌检测。在车牌识别技术可靠的基础上，该系统的套牌检测率不低于99％。

针对时变非线性多输入多输出(MIMO)系统在线辨识较困难的问题，提出一种基于最小二乘支持向量机(LSSVM)的快速在线辨识方法。介绍了现有LSSVM增量式和在线式学习算法，并为它引入了一些加速实现策略，得到LSSVM快速在线式学习算法。将MIMO系统分解为多个多输入单输出(MISO)子系统，对每一个MISO利用一个LSSVM在线建模；这些LSSVM执行快速在线式学习算法。数字仿真显示该方法建模速度快，模型预测精度高。

排课问题是一典型NP-Hard问题，通常可以使用遗传算法进行解决，把遗传算法与局部搜索方法禁忌算法有机结合起来，是改进遗传算法性能的一个卓有成效的方法。使用遗传禁忌算法解决排课问题，并且通过改变个体适应度的计算方法，避免了排课中课表的两极分化现象。通过实验，该方法可以取得较好的排课结果。