目前图像检索的准确性是研究的难题,主要在于特征提取的方法。为了提高图像检索的精度,在图像底层特征研究的基础上,提出了一种综合多特征的图像检索算法——基于底层特征综合分析算法(CAUC)。首先,在YUV颜色空间下提取图像的平均值和标准方差作为全局颜色特征,获得图像的二值位图,提取其局部颜色特征;然后,基于紧密度和Krawtchouk矩不变量提取图像的形状特征;再根据改进的四像素共生矩阵算法提取图像的纹理特征;最后综合多特征将待查询图像与图像库中图像进行相似度计算,返回相似度高的图像。在Corel-1000的图像集上的实验结果显示,与原来仅考虑四像素共生矩阵的方法相比,CAUC的查准率与查全率没有明显降低,但检索时间大大减少;与另外两种多特征融合的图像检索方法相比,CAUC仍能在保证较高检索速度的同时提高查准率与查全率。实验结果表明,CAUC方案能有效提取图像特征,提高检索效率。

针对现有层次树遍历方法的低效率问题,提出了一种基于分类遍历的碰撞检测算法.首先根据两个物体树中节点的平衡因子差值来将所有的物体对进行分类:结构相似的,采用同步下降遍历方法;结构不相似的,采用交换下降遍历方法,这减少了相交测试的次数.然后加入时空相关性和优先级策略优化遍历过程.最后通过实验结果表明,相比基于统一遍历的碰撞检测算法,该算法缩短了相交测试的时间,物体数目越多,快速性优势越显著,大约可以缩减所需时间的1/5.

针对不规则场景中光线跟踪算法绘制速度慢的问题，在深入学习和比较近些年的光线跟踪加速算法的基础上，提出了一种改进的网格细分的光线跟踪算法。首先，设置矩形场景包围盒，剔除对场景没有影响的外部光线，进而简化求交运算；其次，采用新方法创建空间网格，该方法可使空间单元数量和存储空间复杂度都限定在一定范围内；最后，对网格进行细分，这一步骤消除了传统空间网格算法忽略部分空白区域对加速效果产生的不良影响, 极大完善了传统空间网格算法。通过实验证明，该方法能有效提高光线在空白空间的穿行速度，不仅提高了时间效率，而且减少了空间开销。

针对深层神经网络初始化方法不明确、泛化能力差而导致解决垃圾邮件过滤时效果较差的问题，提出了基于深度置信网络的分类方法。深度置信网络通过逐层无监督的方法来预训练网络，实现了网络的初始化。在LingSpam，SpamAssassin和Enron1三个广泛使用的数据集上，通过与目前最好的垃圾邮件过滤方法支持向量机(SVM)在分类性能上进行比较，实验结果表明深度置信网络的垃圾邮件过滤方法是有效的，获得了较高的准确率和召回率。

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先对HSV模型非均匀量化,利用改进的颜色聚合向量方法提取图像的颜色特征；然后基于改进的Hu不变矩提取图像的全局形状特征；最后,综合颜色和形状特征对图像基于贡献度聚类并建立特征索引库。利用上述方法在Corel图像库中进行图像检索。实验结果表明,与改进的K-means算法的图像检索算法相比,提出算法的查准率和查全率均有较大提高。