针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题，提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征，同时利用轻量化EfficientNet提取前景图中的帧级空间暴力特征，并利用卷积长短时记忆网络（ConvLSTM）进一步提取视频序列的全局时空特征；接着，结合时间注意力机制，计算得到视频级特征表示；最后将视频级特征表示映射到分类空间，并利用Softmax分类器进行视频暴力行为分类并输出检测结果，实现视频的暴力行为检测。实验结果表明，该方法能够减少模型参数量，降低计算复杂度，在有限的资源下提高暴力行为检测准确率，提升模型的综合性能。

针对当前网格参数化效率较低、映射失真较严重的问题，提出一种限制失真的网格参数化方法。首先，预处理原始网格模型。输入原3D网格模型，采用Half-Edge数据结构来重新组织网格并切割网格模型产生相应的切缝；构建Tutte映射把3D网格映射到一个2D凸多边形域，即构建2D网格模型。然后，进行限制失真的网格参数化计算。将Tutte映射后的2D网格模型作为限制失真计算的初始数据，建立相对于原3D模型网格的失真度量函数；求得该度量函数的最小值点，即为映射后的网格坐标集合；将映射后的网格作为限制失真映射的输入网格，设定迭代终止条件，循环迭代直至迭代结束，得到收敛的最优网格坐标；在计算映射失真度时，针对等距映射失真采用Dirichlet能量函数度量，针对共形映射失真采用尽可能等距（MIPS）能量函数度量；在求解映射失真度量函数的最小值点时采用代理函数法结合组合牛顿法的最优解方法。最终，实现了该方法并开发了一个原型系统。在原型系统中，分别设计了限制等距失真和限制共形失真的网格参数化实验，对程序执行时间和失真能量下降情况进行了统计和对比，提供了相应的纹理映射效果展示。实验数据表明，所提出的方法执行效率高、映射失真能量下降快，最优值收敛质量稳定；纹理映射时纹理着色均匀、布局紧致、线条均匀，符合实际应用的标准。