针对目前我国智能驾驶辅助系统识别道路交通标志检测速度慢、识别精度低等问题，提出一种基于YOLOv3的改进的道路交通标志检测算法。首先，将MobileNetv2作为基础特征提取网络引入YOLOv3以形成目标检测网络模块MN-YOLOv3，在MN-YOLOv3主干网络中引入两条Down-up连接进行特征融合，从而减少检测算法的模型参数，提高了检测模块的运行速度，增强了多尺度特征图之间的信息融合；然后，根据交通标志目标形状的特点，使用K-Means++算法产生先验框的初始聚类中心，并在边界框回归中引入距离交并比（DIOU）损失函数来将DIOU与非极大值抑制（NMS）结合；最后，将感兴趣区域（ROI）与上下文信息通过ROI Align统一尺寸后融合，从而增强目标特征表达。实验结果表明，所提算法性能更好，在长沙理工大学中国交通标志检测（CCTSDB）数据集上的平均准确率均值（mAP）可达96.20%。相较于Faster R-CNN、YOLOv3、Cascaded R-CNN检测算法，所提算法拥有具有更好的实时性和更高的检测精度，对各种环境变化具有更好的鲁棒性。

针对目前主流对抗攻击算法通过扰动全局图像特征导致攻击隐蔽性降低的问题，提出一种聚焦图像的无目标攻击算法——PS-MIFGSM。首先，通过Grad-CAM算法捕获卷积神经网络(CNN)在分类任务中对图像的重点关注区域；然后，使用MI-FGSM攻击分类网络，生成对抗扰动，并且将扰动作用于图像的重点关注区域，而图像的非关注区域保持不变，从而生成新的对抗样本。在实验部分，以三种图像分类模型Inception_v1、Resnet_v1和Vgg_16为基础，对比了PS-MIFGSM和MI-FGSM两种方法分别进行单模型攻击和集合模型攻击的效果。实验结果表明，PS-MIFGSM能够在攻击成功率不变的同时，有效降低对抗样本与真实样本的差异大小。

针对云存储系统大多基于键值对模型存储数据,多维查询需要对整个数据集进行完全扫描,查询效率较低的问题,提出了一种基于KD树和R树的多维索引结构(简称KD-R索引)。KD-R索引采用双层索引模式,在全局服务器建立基于KD树的多维全局索引,在局部数据节点构建R树多维本地索引。基于性能损耗模型,选取索引代价较小的R树节点发布到全局KD树,从而优化多维查询性能。实验结果表明：与全局分布式R树索引相比，KD-R索引能够有效提高多维范围查询性能,并且在出现服务器节点失效的情况下,KD-R索引同样具有高可用性。