微博用户影响力分析作为社交网络分析的重要组成部分，一直受到研究人员的关注。针对现有研究工作分析用户行为时间性的不足和忽略用户与参与话题之间关联性等问题，提出了一种面向微博话题的用户影响力分析算法——基于话题和传播能力的用户排序（TSRank）算法。首先，基于微博话题分析用户转发行为时间性，进一步构建用户转发和用户博文转发两种话题转发关系网络，预测用户话题信息传播能力；然后，分析用户个人历史微博和背景话题微博文本内容，挖掘用户与背景话题之间的关联性；最后，综合考虑用户话题信息传播能力以及用户与背景话题间关联性计算微博用户影响力。爬取新浪微博真实话题数据进行实验，实验结果表明，话题关联度更高用户的话题转发量明显大于关联度很低的用户，引入用户转发行为时间性相比无转发时间性，TSRank算法的捕获率（CR）提高了18.7%，进一步与典型影响力分析算法WBRank、TwitterRank和PageRank相比，TSRank算法在准确率和召回率上分别提高了5.9%、8.7%、13.1%和6.7%、9.1%、14.2%，验证了TSRank算法的有效性。该研究成果对社交网络的社会属性、话题传播等理论研究以及好友推荐、舆情监控等应用研究具有支撑作用。

迭代收缩阈值算法（ISTA）求解离焦深度恢复动态优化问题时，采用固定迭代步长，导致算法收敛效率不佳，使得重建的微观3D形貌精度不高。为此，提出一种基于加速算子梯度估计和割线线性搜索的方法优化ISTA——FL-ISTA。首先，在每一次迭代中，由当前点和前一个点的线性组合构成加速算子重新进行梯度估计，更新迭代点；其次，为了改变迭代步长固定的限制，引入割线线性搜索，动态确定每次最优迭代步长；最后，将改进的迭代收缩阈值算法用于求解离焦深度恢复动态优化问题，加快算法的收敛速度、提高微观3D形貌重建的精度。在对标准500 nm尺度栅格的深度信息重建实验中，与ISTA、快速ISTA （FISTA）和单调快速ISTA （MFISTA）相比，FL-ISTA收敛速度均有所提升，重建的深度信息值下降了10个百分点，更接近标准500 nm栅格尺度；与ISTA相比，FL-ISTA重建的微观3D形貌均方差（MSE）和平均误差分别下降了18个百分点和40个百分点。实验结果表明，FL-ISTA有效提升了求解离焦深度恢复动态优化问题的收敛速度，提高了微观3D形貌重建的精度。

为减小无线传感器(WSN)网络数据传输过程中相关性发生变化对压缩感知重构精度的影响，提出一种相关性自适应的网络数据重构方法。该方法首先通过迭代对待重构数据的相关性进行估计，进而采用支集元素的两步相关检验方法对网络数据稀疏系数向量中非零元素进行重构，最终得到更为精确的重构数据。仿真结果表明，该算法能有效抑制实际传输过程中各种干扰对网络数据重构的影响，提高网络数据相关性变化情况下的重构准确度。

针对均值漂移图像分割方法中只考虑图像颜色和空间信息，对纹理丰富的图像不能进行有效分割的情况，提出一种新的融合图像颜色、纹理和空间等低层特征信息的图像分割方法。用极性、各向异性和对比度来表示图像的纹理信息，并结合颜色和空间信息形成图像分割特征；然后用均值漂移进行图像滤波；最后，进行区域合并得到分割结果。实验结果表明，该方法对纹理丰富的自然风景图像有较好的分割效果。