目前有关API学习和代码复用的研究主要集中在对于API调用频繁模式的挖掘、组件化信息的提取以及根据用户的需求和目标功能进行的个性化应用程序接口（API）推荐服务等方面。然而，作为缺少专业知识和经验技能来完成特定使用案例的软件开发初学者，在阅读官方文档之外，往往需要真实的使用案例作为参考。现有代码推荐研究大多为单片段式代码，缺少跨函数的案例选择，这不利于初学者学习构建完整的使用场景或功能模块；同时，从单个函数注释中提取的语义描述也不足以构建学习者对项目中完整功能实现方法的认识。为了解决上述问题，提出了一种基于开源社区分析的API使用案例推荐服务，并以软件开发后端框架Spring Boot为例，构建了跨函数的案例推荐辅助学习服务。随后，通过调查问卷、专家验证等方式验证了所提出的API使用案例推荐服务的可行性和有效性。

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷，而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而，现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据，要么仅仅关注隐式反馈数据，没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息，同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷，在xCLiMF模型和TrustSVD模型基础上，提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息，并优化排序学习的评价指标预期倒数排名（ERR）。在真实数据集上的实验结果表明，采用归一化折损累计增益（NDCG）和ERR作为评价指标，SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强，在互联网信息推荐领域有很好的应用前景。

组织病理学图像是鉴别乳腺癌的黄金标准，所以对乳腺癌组织病理学图像的自动、精确的分类具有重要的临床应用价值。为了提高乳腺组织病理图像的分类准确率，从而满足临床应用的需求，提出了一种融合空间和通道特征的高精度乳腺癌分类方法。该方法使用颜色归一化来处理病理图像并使用数据增强扩充数据集，基于卷积神经网络（CNN）模型DenseNet和压缩和激励网络（SENet）融合病理图像的空间特征信息和通道特征信息，并根据压缩-激励（SE）模块的插入位置和数量，设计了三种不同的BCSCNet模型，分别为BCSCNetⅠ、BCSCNetⅡ、BCSCNetⅢ。在乳腺癌癌组织病理图像数据集（BreaKHis）上展开实验。通过实验对比，先是验证了对图像进行颜色归一化和数据增强能提高乳腺的分类准确率，然后发现所设计的三种乳腺癌分类模型中精度最高为BCSCNetⅢ。实验结果表明，BCSCNetⅢ的二分类准确率在99.05%~99.89%，比乳腺癌组织病理学图像分类网络（BHCNet）提升了0.42个百分点；其多分类的准确率在93.06%~95.72%，比BHCNet提升了2.41个百分点。证明了BCSCNet能准确地对乳腺癌组织病理图像进行分类，同时也为计算机辅助乳腺癌诊断提供了可靠的理论支撑。

近年来，各行业数据量增速提升，对承担数据存储任务的数据库系统进行性能优化的需求也越来越强烈。利用关系型数据库I/O密集型、服务器CPU相对空闲的特点，在数据库中引入数据压缩技术，节省了数据存储空间和I/O传输带宽。但当今主流数据库系统的压缩技术都是针对传统的存储和运行环境设计，并未考虑固态硬盘（SSD）等新型存储设备和云数据库等虚拟化运行环境对系统性能的影响，因此，以数据库压缩系统在不同存储环境的缓存优化作为切入点，对系统整体性能的影响进行分析，给出了数据库压缩系统性能的分析模型，并以MySQL为例进行具体分析，给出了对应的缓存优化措施。在内核虚拟机（KVM）和MySQL数据库测试平台上的性能评估结果表明，所提出的优化方法使得系统性能最高有超过40%的提升，在某些配置下获得了优于物理机的性能。

针对跨行洗钱犯罪的复杂性和协作性，在中央银行大额支付系统(HVPS)框架内，综合有限信息管理新方法，构建了新型的反洗钱管理模型。该模型采用分布式检测点采集排队队列中的洗钱信息，从而对大额支付系统中的协作洗钱犯罪进行整合的动态跟踪。它采用了基于事件的描述方法记录洗钱犯罪过程，应用灰色关联度算法实现大额支付系统中的多检测点信息融合，通过有限信息发掘出大额支付系统中的异常操作行为，最终应用功率谱估计算法实现洗钱犯罪的快速分析与识别。仿真测试结果证明，该模型与传统的反洗钱管理模型相比，洗钱客户覆盖率和发现精确度超过12%以上，而洗钱事件召回率提高了5%以上。从总体来看，该模型具有较高的信息处理效率和处理精度。

通过对现有查询接口的识别方法进行的深入研究,针对计算、维护复杂以及匹配歧义性等问题,提出一种基于标签编码的Deep Web查询接口识别方法。该方法根据查询接口排列的方向性和不规则性进行标签编码并分组,然后以每一个标签组作为一个独立单位进行特征信息识别,提出了简单属性、复合属性的识别方法以及孤立文本的处理方法。通过对标签下标的约束确定与元素匹配的文本,大大减少了文本与元素匹配中需要考虑的文本数量,避免了由大量启发式算法引发的匹配歧义性问题;通过两次聚类有效解决了接口层次嵌套问题。

平面图的模式匹配查询可广泛应用于生物网络、社会网络、指纹识别和图像分割等。由于对数据操作时引入的噪声和错误使这些图数据具有不确定性，而确定平面图的查询处理技术不能有效地处理不确定性，因此利用概率语义描述的平面图的模式进行匹配查询。具体地，使用可能世界概率模型定义不确定平面图，基于该模型，研究了不确定模式匹配(UPM)查询。首先给出一个确定算法可避免枚举所有的可能世界，同时给出改进的确定算法可更快速地求解查询。其次设计出采样算法，可快速地估算出匹配概率，并具有较高的精确度。基于真实不确定平面图数据的大量实验验证了该设计。最后将该查询应用于肺部CT图像的分割，结果表明此方法优于经典的图像分割算法。

为了节省路由能耗，增加网络中节点生存时间，提出一种基于能量消耗的Ad Hoc网络动态源路由协议（ECDSR）。该协议以路由剩余能量、路由能耗预测、路由能量延时3个参数作为路径能量评价的参数。其中剩余能量参数反映了节点当前的剩余能量状态，能耗预测参数反映了节点能量的变化情况，能量延时参数能够保护低能量节点，屏蔽能量状况差的路由路径。仿真结果表明该协议相对于动态源路由（DSR）可以在网络时延和协议开销增加不明显的前提下，提高网络的生存时间等网络性能。

通过对DV-HOP算法的理论分析，找出其产生误差的主要原因，提出相应的改进算法，即对未知节点与锚节点之间的估计距离做出修正，该修正值由多跳的校正值和锚节点的平均每跳距离误差所组成，同时将总体最小二乘法（TLS）应用于定位中，进一步提高了定位精度。选用Matlab进行相关仿真，结果表明：改进算法的定位精度比原算法及部分现有改进算法有明显的提高。