针对现有的哈希图像检索方法表达能力较弱、训练速度慢、检索精度低，难以适应大规模图像检索的问题，提出了一种基于深度残差网络的迭代量化哈希图像检索方法（DRITQH）。首先，使用深度残差网络对图像数据进行多次非线性变换，从而提取图像数据的特征，并获得具有语义特征的高维特征向量；然后，使用主成分分析（PCA）对高维图像特征进行降维，同时运用迭代量化对生成的特征向量进行二值化处理，更新旋转矩阵，将数据映射到零中心二进制超立方体，从而最小化量化误差并得到最佳的投影矩阵；最后，进行哈希学习，以得到最优的二进制哈希码在汉明空间中进行图像检索。实验结果表明，DRITQH在NUS-WIDE数据集上，对4种哈希码的检索精度分别为0.789、0.831、0.838和0.846，与改进深度哈希网络（IDHN）相比分别提升了0.5、3.8、3.7和4.2个百分点，平均编码时间小了1 717 μs。DRITQH在大规模图像检索时减少了量化误差带来的影响，提高了训练速度，实现了更高的检索性能。

针对传染病传播模型缺乏多感染阶段的不足,结合SIR和SEIR两种传播模型的特性,提出了一种改进的具有多感染阶段的SIR传染病传播模型(即SInR模型)。该模型充分考虑了不同感染阶段的非均匀感染力对不同网络结构上传染病传播及传播阈值的影响；同时引入相对感染力及传播时间尺度的概念,从网络结构、网络规模及相对感染力方面进行了仿真研究。仿真中无标度网络采用BA模型的生成算法,而小世界网络采用WS模型的生成算法。由仿真可知,感染节点在整个感染过程中大致服从泊松分布,因此在SInR模型下无标度网络的传播速度更快,范围更广；相对感染力对于传染病的大规模爆发存在着一个阈值,当感染力大于阈值时传染病才能大范围地爆发传播,而小于阈值时传染病只会局域小范围传播直至消失,无标度网络的感染力阈值为0.2,小世界网络的感染力阈值为0.24；随着网络规模的增大,传播时间尺度也在增大,相应的传播速度就会降低。仿真结果表明:该模型下无标度网络传染病传播速度更快且影响范围更大;无标度网络的相对传染力的传播阈值小于小世界网络,设置合理阈值有利于降低传染病的传播影响力。