针对在受到部分遮挡或角度过大无法定位面部关键特征点的情况下，传统的头部姿态估计方法的准确率低或无法进行头部姿态估计的问题，提出了优化LeNet-5网络的多角度头部姿态估计方法。首先，通过对卷积神经网络（CNN）的深度、卷积核大小等进行优化来更好地捕捉图像的全局特征；然后，改进池化层，用卷积操作代替池化操作来增强网络的非线性能力；最后，引入AdaBound优化器，并利用Softmax回归模型做姿态分类训练。训练中在自建数据集中增加遮挡头发、做出夸张表情和佩戴眼镜等动作来增强网络的泛化能力。实验结果表明，所提方法不需要定位面部关键特征点，在光照阴影、头发等遮挡情况下也可以实现抬头、低头、偏头等多角度转动下的头部姿态估计，在Pointing04公共数据集和CAS-PEAL-R1公共数据集上准确率达到了98.7%，运行速度平均在每秒22~29帧。

为了阻挡人脸识别系统中的照片及视频攻击，提出了一种将头部姿态和面部表情融合的互动式活体检测算法。首先，对VGGNet的卷积核数目、网络层数、正则化等进行了调整优化，构建了一个多层卷积的头部姿态估计网络；其次，引入全局平均池化、局部响应归一化和卷积替代池化等方法对VGGNet进行改进，构建了一个表情识别网络；最后，融合上述两个网络实现了互动式活体检测系统，对用户发出随机指令实时完成活体检测。实验结果表明，所提出的头部姿态估计网络和表情识别网络分别在CAS-PEAL-R1数据集和CK+数据集上取得了99.87%和99.60%的准确率，而活体检测系统的综合准确率达到了96.70%，运行速度达到了每秒20~28帧，在实际应用中泛化能力突出。

为了能够有效地降低无线传感器网络(WSN)的能耗,延长网络生命周期,对低功耗自适应集簇分层型(LEACH)协议等多个分簇路由协议进行分析,并针对其算法存在的缺陷提出基于吸引因子和多跳传输的分簇路由算法(CRAH)。针对不合理的簇头选择问题,采用加权和的方法将节点剩余能量与节点位置两个参数,作为簇头选择的新指标;对簇头节点的任务进行重新分配,选出新的融合节点;融合节点和基站的通信采用单跳与多跳相结合的混合传输方式,结合吸引因子和Dijkstra算法提出新的基于吸引因子的Dijkstra(AF-DK)算法,为融合节点找到最优转发路径。仿真结果表明,与LEACH、集中式低功耗自适应集簇分层型(LEACH-C)路由和固定簇半径的分簇(HEED)等协议相比,CRAH使网络寿命分别提高了约51.56%、47.1%和42%,网络能耗速度明显减缓,基站接收的数据量平均减少了69.9%。CRAH使簇头选择更加合理,有效减少了通信过程中的冗余数据,均衡了网络能耗,延长了网络生命周期。