轨迹隐私保护对车联网（IoV）的发展至关重要，归纳和分析现有研究方法有重要意义。车联网轨迹隐私保护思想有轨迹模糊、假名更换和轨迹加密等3类，实现方法分别有基于用户真实轨迹的方法和基于哑元轨迹的方法、基于混合区域的方法和基于路径混淆的方法、基于私密信息检索（PIR）协议的方法和基于空间转换的方法。首先，介绍和归纳了研究背景和常见攻击等车联网轨迹隐私保护关键问题；然后，从方法思想、科学问题、方法演进等方面详细综述了现有车联网轨迹隐私保护方法，并阐述了需深入研究的难题；在此基础上，总结了代表性方案的隐私保护度、抗攻击性、复杂度等性能指标；最后展望了车联网轨迹隐私保护的未来研究方向。

针对当前中值滤波器处理图像高椒盐噪声效果不佳和实时性不强等问题，提出了一种快速自适应四点窗中点滤波（AFMF）方法。首先，为了降低计算复杂度，使用简单的极值方法检测噪声点；然后，摒弃传统的全点窗口，不用中值滤波，而是在开关滤波和裁剪滤波的基础上，采用新型的非线性滤波方法：中点滤波，简化了算法的流程，提升了算法的计算效率，提高了去噪效果；最后，从3×3窗口开始到由里向外推进，逐渐增大窗口，形成自适应滤波，一直到噪声点处理完，如此避免了窗口大小参数的设置。实验结果表明，与AMF、SAMF、MDBUTMF以及DBCWMF相比，AFMF在处理高密度椒盐噪声上不仅有更好的去噪性能、更快的运行速度（约0.18 s），且无需设置参数，可操作性强，具有较强的实用性。

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题，提出了一种改进的SLPSO算法，即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先，将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习；然后，以此交叉反向学习策略更新种群中的最优粒子位置，增强探索能力，并克服SLPSO中最优粒子无更新导致效率低下的缺点；最后，对于非最优粒子，与SLPSO采用基于维的社会学习不同，均采用新型基于粒子的社会学习机制，在提高全局搜索能力同时，更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明，CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法，如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。

针对现有滤波方法滤除图像椒盐噪声的性能不理想和耗时长等缺陷，提出了一种迭代自适应权重均值滤波的图像去噪方法（IAWF）。首先，利用图像邻域像素与处理点的相似性采用新型方法构建邻域权重；然后，将此邻域权重与开关裁剪均值滤波结合形成新型权重均值滤波方法，充分利用像素间的相关性和开关裁剪滤波的优势，有效提高了算法的去噪效果，同时采用自适应的方式调整滤波窗口大小，以便尽可能地保护图像细节；最后，采用迭代式滤波方法，即如果上述操作还没有处理完噪声点，则迭代去噪直至噪声点处理完毕，实现自动处理。仿真实验结果表明，在各种不同噪声密度下，IAWF在峰值信噪比（PSNR）、失真度，以及视觉效果等方面均优于现有的几种优秀的滤波算法，且具有更快的运行速度，更适用于实际应用场合。