测试结构设计是集成电路（IC）测试的基础问题也是关键问题，而设计满足当代IC需求的测试结构对降低芯片成本、提高产品质量、增加产品竞争力具有十分重要的意义，为此提出了环形链轮询复用测试端口的测试结构RRR Scan。该结构将扫描触发器设计成多个环形链，环形链可工作于隐身模式、循环移位模式和直链扫描模式。循环移位模式实现了测试数据的重用，可减小测试集规模；隐身模式则可缩短测试数据移位路径，大幅降低测试移位功耗，因此该结构是具有数据重用和低功耗性质的通用测试结构。另外，该结构可将物理上相近的扫描单元设置于同一环形链内，布线代价不大。隐身模式使得测试数据的移位路径长度和时延均有所减小。实验结果表明，RRR Scan结构可大幅降低测试移位功耗，对于S13207电路，其移位功耗仅为扫描直链的0.42%。

现有图像修复方法虽然能够补全图像缺失区域的内容，但是仍然存在结构扭曲、纹理模糊、内容不连贯等问题，无法满足人们视觉上的要求。针对这些问题，提出一种基于扩张卷积的图像修复方法，通过引入扩张卷积的思想增大感受野来提升图像修复的质量。该方法基于生成对抗网络（GAN）的思想，分为生成网络和对抗网络。生成网络包括全局内容修复网络和局部细节修复网络，并使用gated卷积动态地学习图像特征，解决了使用传统卷积神经网络方法无法较好地补全大面积不规则缺失区域的问题。首先利用全局内容修复网络获得一个初始的内容补全结果，之后再通过局部细节修复网络对局部纹理细节进行修复。对抗网络由SN-PatchGAN鉴别器构成，用于评判图像修复效果的好坏。实验结果表明，与目前存在的图像修复方法相比，该方法在峰值信噪比（PSNR）、结构相似性（SSIM）、inception分数3个指标上都有较大的提升；而且该方法有效解决了传统修复方法出现的纹理模糊问题，较好地满足了人们的视觉连贯性，证实了提出的方法的有效性和可行性。

为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题，提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型。首先，基于One-class SVM构建一种数据离群程度检测机制；然后，将离群程度值引入能量泛函，令分割模型可以在多种噪声强度下获得较为准确的图像信息，同时避免现有方法在强噪声环境下，降权机制失效的问题；最后，通过最小化能量函数，驱动分割轮廓向目标边缘演化。在噪声图像分割实验中，当选取不同类型和强度的噪声时，该模型均能得到较为理想的分割结果。在F₁-score评估标准下，该模型比基于局部相关熵的K-means（LCK）模型高0.2~0.3，在强噪声环境下具有更高的稳定性，且在分割收敛时间上仅略大于LCK模型0.1 s左右。实验结果表明，所提模型在未显著增加分割耗时的前提下，对于概率、极值及混合噪声均有着更强的鲁棒性，并且可以分割带有噪声的自然图像。

为了进一步优化0-1背包问题的解，就背包容量、物体个数、物体重量、物体价格和物体性价比之间的关系进行深入的分析研究，构建了一个基于数学理论的线性拟合模型，与预期效率相结合，给出了一个解决0-1背包问题的混合算法。给出了三组实验，测试ρ<0.7时的算例，当背包容量改变时，与萤火虫群算法相比，该算法提高了目标函数值的收敛速度，同时节省了存储空间；与单纯的预期效率算法相比，该算法能够求得最优解，而单纯的预期效率算法则不能。实验结果表明，预期效率和线性拟合混合算法具有合理性及准确性，该算法能够应用于解决实际的0-1背包问题。

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题，提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比，基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。

利用可编程片上系统（SOPC）灵活的可编程性和现场可编程门阵列(FPGA)强大的并行处理能力，在FPGA上实现说话人识别算法，并从识别速度和识别精度两个方面对系统进行优化。研究了说话人识别算法的原理，针对其特点构建了SOPC系统，用乒乓操作实现语音采集和处理，利用FPGA的硬件实现算法中较为耗时的模块，提高了识别速度，同时又利用遗传算法来生成模板码书，提高了识别精度。最终，实现对说话人身份进行识别的功能，系统具有较高的实时性和识别精度。

为解决C64X系列数字信号处理器(DSP)视频驱动不能应用于原始数据格式(RAW)采集格式的问题，设计了DM642和电耦合元件(CCD)高清传感器的数据传输接口，并分析、修改用于标准格式的视频驱动，使其优化后适用于RAW采集格式，在此基础上开发了基于多级缓存管理机制的应用程序，最终达到采集速率至少每秒15帧的要求。

随着汽车电子市场的快速发展，汽车控制器的电子控制单元(ECU)已越来越多，对ECU的功能测试也变得日趋复杂。为解决车载ECU功能测试，研究了基于控制器局域网络(CAN)的ECU自动测试方法。以NI公司的软硬件为开发平台、CAN总线为通信平台搭建测试系统与被测ECU形成闭环结构。通过CAN总线传输测试信息，可实现对同型号ECU的批量测试。此系统采用了新的测试方法来降低测试误差，并支持ECU的流水线测试，大大降低了测试的复杂度，减少了工作量。同时，在完善仿真信号产生模块和测试模块用例库后，也能适用于其他类型ECU的功能测试。

为了降低噪声及决策导向(DD)参数估计算法的帧延迟特性对语音活动检测（VAD）算法鲁棒性的影响，首先采用两步降噪(TSNR)技术估计算法提高语音瞬变时刻参数估计准确性，并针对语音噪声的频率选择性，通过频带分割，将噪声污染限制到孤立子频带中，构建了由子频带特征与可靠性因子结合提供判别结果的子频带加权VAD算法。实验表明，此子频带加权算法优于Sohn算法、Cho算法以及G.729B等全频带算法。

针对一般情况下采集到的条码图像，提出了一种适用于嵌入式系统的自动识别算法，并在NIOS嵌入式系统上进行了验证。实验表明，该算法能够快速准确地提取条码符号信息，效果良好。

传统的Mean-shift目标跟踪算法对背景因素比较敏感，采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上，改进了Mean-shift算法中目标特征选取机制，即目标模板采用背景加权，候选目标区域采用核加权。仿真结果表明，该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。

车牌自动识别是现代智能交通的重要组成部分，而车牌定位技术又是车牌识别系统的核心之一。由于传统的定位算法存在适应性差，鲁棒性不强的问题，提出一种基于自适应遗传算法的车牌定位方法。先用最大类间方差法(OTSU)对车牌图像进行二值化，然后利用遗传算法对全图进行车牌特征匹配搜索，结合区域特征向量构造的适应度函数，最终找到车牌区域的最佳定位参量。测试结果表明，该算法适应性强，定位效果很好。

提出了一种基于Apriori思想的挖掘最大频繁访问模式的sTree算法。该算法使用有向树表示用户会话，能挖掘出最大前向引用事务和用户的浏览偏爱路径；使用一种基于内容页面优先的支持度计算方法，能挖掘出传统算法不能发现的特定的用户访问模式；使用频繁模式树连接分层的频繁弧克服了图结构数据挖掘算法中直接连接两个频繁模式树要判断连接条件的缺点，同时采用预剪枝策略，降低了算法的开销。实验表明，sTree算法具有可扩展性，运行效率比直接采用图结构数据挖掘算法要高。

通过对比因特网密钥交换协议IKEv2与IKE的不同之处，分析研究了IKEv2在实现复杂度，降低延迟方面的优越性。简要介绍了IKEv2的消息交换，各种密钥的生成过程，并提出了一种基于安全协处理器硬件加速功能的IKEv2的设计和实现方案, 它在计算各类密钥，会话消息的加解密，完整性校验等方面具有较快的处理速度。