针对基于快速搜索和发现密度峰值的聚类（CFSFDP）算法中截断距离需要人工选取，以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题，提出了一种基于自适应可达距离的密度峰值聚类（ARD-DPC）算法。该算法利用非参数核密度估计方法计算点的局部密度，根据决策图选取聚类中心，并利用自适应可达距离分配数据点，从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验，将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类（CFSFDP）、基于密度的噪声应用空间聚类（DBSCAN）、基于密度自适应距离的密度峰聚类（DADPC）算法进行了比较，实验结果表明，相比其他三种算法，ARD-DPC算法在7个数据集上的标准化互信息（NMI）、兰德指数（RI）和F1-measure取得了最大值，在2个数据集分别取得F1-measure和NMI的最大值，只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳；同时，ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。

针对现有的基于卷积神经网络（CNN）的车辆重识别方法所提取的特征表达力不足的问题，提出一种基于小波特征与注意力机制相结合的车辆重识别方法。首先，将单层小波模块嵌入到卷积模块中代替池化层进行下采样，减少细粒度特征的丢失；其次，结合通道注意力（CA）机制和像素注意力（PA）机制提出一种新的局部注意力模块——特征提取模块（FEM）嵌入到卷积网络中，对关键信息进行加权强化。在VeRi数据集上与基准残差网络ResNet-50、ResNet-101进行对比。实验结果表明，在ResNet-50中增加小波变换层数能提高平均精度均值（mAP）；在消融实验中，虽然ResNet-50+离散小波变换（DWT）比ResNet-101的mAP降低了0.25个百分点，但是其参数量和计算复杂度都比ResNet-101低，且mAP、Rank-1和Rank-5均比单独的ResNet-50高，说明该模型在车辆重识别中能够有效提高车辆检索精度。

生物地理学优化（BBO）算法通过迁移和变异不断更新栖息地，以寻找最优解，其中迁移率模型的优劣会直接影响算法的优化性能。针对原始BBO算法采用线性迁移率模型适应性不足的问题，基于Logistic函数、三次多项式函数以及双曲正切函数提出了三种新的非线性迁移率模型，并应用于原始BBO算法中。对17个典型的基准函数进行优化性能测试，结果表明，基于双曲正切函数的迁移率模型所得解更接近函数的全局最小值，总体表现优于原始线性迁移率模型的BBO算法以及相关改进算法中表现优异的余弦迁移率模型。稳定性测试结果表明，在不同的变异率下，基于双曲正切函数的迁移率模型在多数测试函数上表现优于原始线性迁移率模型。在满足解多样性的基础上，该模型能够较好地适应非线性迁移问题，提高寻优能力。

针对图像盲复原中图像细节恢复的同时块效应放大的问题，提出了一种贝叶斯盲复原算法。首先使用贝叶斯框架模式，对原始图像、观察图像、点扩散函数(PSF)及模型参数分别建立先验模型，并将能有效描述图像局部统计特征的带有高斯特性的Markov(Gauss-Markov)随机场模型作为原始图像的先验模型；然后利用贝叶斯公式推导出原始图像及点扩散函数的迭代公式。实验结果表明，与总变分(TV)先验模型的恢复图像相比，所提算法的恢复图像块效应明显减少，并且视觉效果更好；在点扩散函数的大小已知和未知的情况下，相比TV先验模型，所提算法的改善信噪比(ISNR)能提高1dB左右。

针对简单猴王遗传算法（MKGA）存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法（MKGAIEH）。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法（IEA）对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法（IMKGA）、蜜蜂遗传算法（BEGA）、免疫进化粒子群蛙跳算法（IEPSOSFLA）和普通爬山算子遗传算法（COGA）对6个典型测试函数的计算结果进行了比较，其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。