针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题，结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先，使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络，完成主干网络的领域适应性学习，使之具备基本的病理特征捕捉能力；随后,把主干网络二次迁移到多视角网络中，在绵阳市中心医院数据集上进行微调，同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明，领域适应性学习和数据扩充策略平均提升了17%性能指标，取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。

现有X线气胸检测存在两个主要问题：一是由于气胸通常与肋骨、锁骨等组织重叠，在临床上存在较大的漏诊，而现有算法的检测性能仍有待提高；二是现有基于卷积神经网络的算法无法给出可疑的气胸区域，缺乏可解释性。针对上述问题，提出了一种结合密集卷积网络（DenseNet）与梯度加权类激活映射的方法用于X线气胸的检测与定位。首先，构建了一个较大规模的胸部X线数据集PX-ray用于模型的训练和测试。其次，修改DenseNet的输出节点并在全连接层后添加一个sigmoid函数对胸片进行二分类（气胸/非气胸）。在训练过程中通过设置交叉熵损失函数的权重来缓解数据不平衡问题，提高模型准确率。最后，提取网络最后一个卷积层的参数以及对应的梯度，通过梯度加权类激活映射算法获得气胸类别的粗略定位图。在PX-ray测试集上的实验结果表明，所提方法的检测准确率为95.45%，并且在曲线下面积（AUC）、敏感度、特异性等指标上均高于0.9，优于VGG19、GoogLeNet以及ResNet算法，同时实现了对气胸区域的可视化。

近些年，抑郁倾向趋于年轻化和常态化，虽然相关研究已取得一定成果，但仍缺乏更为客观、准确的抑郁倾向识别方法，也缺乏从不同角度研究抑郁倾向，因此，提出将心理健康自查表和眼动追踪结合作为识别抑郁倾向的方法，并且创新地从多角度对抑郁倾向进行研究，即将眼动特征、记忆力特征、认知风格特征以及网络行为特征多种类型特征融合。为了处理复杂的特征关系，提出扫描过程来处理复杂的特征关系，并将扫描过程与堆叠法结合提出抑郁倾向识别模型——扫描堆叠模型。为了全面客观评价扫描堆叠模型的性能，对扫描过程和堆叠法的独立贡献进行了实验。实验结果显示扫描过程独立贡献为0.03，堆叠法独立贡献为0.02，并且扫描堆叠模型与多种模型从参数R平方、均方误差、平均绝对误差进行比较，结果为扫描堆叠模型的预测效果较好。

虽然互联网广告效果的相关研究已取得较好成果，但仍缺乏对网页中各条目与广告间相互作用的深入研究，也缺乏不同因素作用下用户行为和广告效果的透彻分析，广告衡量标准也存在不足。因此，提出一种基于多模态特征融合的方法针对多重因素作用下的互联网广告效果与用户行为模式进行研究。通过对多模态特征进行定量分析，验证广告的吸引力效应，总结不同条件下的注意力效应；针对用户行为信息进行频繁模式挖掘，并结合数据特点提出DFBP算法定向挖掘用户最常见的浏览模式；提出将记忆力作为衡量广告质量的一项新指标，利用频繁模式改进Random Forest算法，融合多模态特征构建广告记忆力模型。实验结果表明，所构建的记忆力模型不仅准确率高达91.64%，且具有良好的鲁棒性。