为提高协同过滤推荐方法的准确性和有效性，提出一种基于改进型启发式相似度模型的协同过滤推荐方法PSJ。该方法考虑了用户评分差值、用户全局评分偏好和用户共同评分物品数三个因素。PSJ方法的Proximity因子使用指数函数反映用户评分差值对用户相似度的影响，这样也可避免零除问题；将NHSM方法中的Significance因子和URP因子合并成PSJ方法的Significance因子，这使得PSJ方法的计算复杂度低于NHSM方法；而且为了提高在数据稀疏情况下的推荐效果，PSJ方法同时考虑了用户间的评分差值和用户全局评分两个因素。实验采用Top- k推荐中的查准率和查全率作为衡量标准。实验结果表明，当推荐物品数大于20时，与NHSM、杰卡尔德算法、自适应余弦相似度（ACOS）算法、杰卡尔德均方差（JMSD）算法和皮尔逊相关系数算法（SPCC）相比，PSJ方法的查准率与查全率均有提升。

针对待复原图像内容间差异和重建速度缓慢的问题,提出基于图像块迭代分类和稀疏表示的超分辨率图像重建算法。首先,根据阈值把图像迭代分块为三种不同形态。然后,对三种形态分别处理:在重建时,对4 N×4 N块利用双三次插值(BI)算法重建;对2 N×2 N块由K-奇异值分解(K-SVD)算法得到对应的高、低分辨率字典,通过正交匹配追踪(OMP)算法重建;对 N× N块用形态成分分析(MCA)法分解为平滑层和纹理层,然后由各层相应的字典对通过OMP算法重建。将所提方法与基于稀疏基的方法、基于MCA的方法和基于两级与分频带字典的方法相比,所提算法在主观视觉效果、评测指标和重建速度上都有明显的改善。实验结果表明,该方法在图像的边缘块和不规则区域获得了更为精细的细节,重建效果更明显。