为完善云环境下众测（众包测试）数据共享体系，解决众测领域存在的数据安全与隐私保护问题，提出基于区块链与基于密文策略的属性加密（CP-ABE）策略隐藏的众测任务隐私保护（CTTPP）方案。将区块链和属性基加密相结合，以提高众测数据共享的隐私性。首先，利用末端内部节点构造访问树表达访问策略，配合CP-ABE中的指数运算和双线性配对运算实现策略隐藏，以提高众测场景下数据共享的隐私保护能力；其次，调用区块链智能合约自动化验证数据访问者的合法性，与云服务器共同完成对任务密文访问权限的验证，进一步提高众测任务的安全性。性能测试结果表明，与同类型访问树策略隐藏算法相比，平均加密解密时间更短，加解密的计算开销更小；另外，当解密请求频率达到每秒1 000笔时，区块链的处理能力开始逐渐饱和，数据上链和数据查询的最大处理时延为0.80 s和0.12 s，适用于轻量级的商业化众测应用场景。

嵌套实体对实体关系联合提取任务提出了挑战。现有的联合抽取模型在处理嵌套实体时存在产生大量负例且复杂度高的问题，此外未考虑嵌套实体对三元组预测的干扰。针对以上问题，提出一种基于森林的实体关系联合抽取方法——EF2LTF（Entity Forest to Layering Triple Forest）。EF2LTF采用了一个两阶段的联合训练框架，首先通过生成实体森林灵活地在嵌套实体内部识别不同的实体；然后结合已识别出的嵌套实体及其层次结构生成分层的三元组森林。在四个标准数据集上的实验结果表明，与基于集合预测网络的SPN（Set Prediction Network）模型、基于跨度的实体关系联合抽取模型SpERT（Span-based Entity and Relation Transformer）和动态图增强信息抽取（DyGIE++）等方法相比，所提方法取得了最优的F1值。说明所提方法既增强了嵌套实体的识别能力，也增强了构建三元组时对嵌套实体的分辨能力，从而提升了实体与关系的联合抽取性能。

使用切片法进行不规则物体点云体积测量时，现有的多边形拆分再重组（PSR）算法难以正确拆分较近的轮廓，进而导致计算精度较低。针对这一问题，提出一种多轮廓分割算法——改进最近点搜索（INPS）算法。首先，通过局部点的单次使用原则分割多轮廓；其次，使用多边形内点判定（PIP）算法判断轮廓的包含关系，以确认轮廓面积的正负；最后，采用切片面积乘以厚度并累加的方式获取不规则物体点云的体积。实验结果表明，在两个公开点云数据集和一个化学电子密度等值面点云数据集上，所提算法都能实现高正确率的边界分割，具有一定的普适性；且该算法体积测量的平均相对误差为0.043 6%，低于PSR算法的0.062 7%，可见所提算法实现了高正确率的边界分割。