充电站（桩）尚未普及以及电动汽车有限的行驶里程，使得大多数汽车用户关于是否选择电动汽车犹豫不决。为了减少用户对于电动汽车有限电池容量的担心，并且降低因频繁充电以及偏离原定行驶路线绕路进行充电所增加的电动汽车使用费用，提出一种基于匹配理论面向用户行驶计划的电动汽车充电调度方案TPCS。首先，分别根据电动汽车用户的行驶计划和对各充电站的电量需求构建电动汽车用户与充电站的偏好表；然后，建立电动汽车用户与充电站之间的多对一匹配模型；最后，以系统总效用为优化目标进行充电站接口分配。数值仿真结果显示，与随机分配（RCS）算法和仅考虑电动汽车效用分配（OEVS）算法相比，TPCS算法将系统总效用较RCS算法最多提高了39.3%，较OEVS算法最多提高了5%；而在电动汽车充电需求轻负载时，TPCS算法始终保证用户满意度在90%以上，高于RCS算法。所提算法能够有效地提高系统总效用和用户满意度，同时降低计算复杂度。

原始定义下的投影熵特征对于图像信息利用不够充分，而且对图像缩放变换不具有不变性，针对这两方面的不足，给出了扩展规范化投影熵特征的定义，并将规范化后图像的局部投影熵特征向量用于图像识别；在进行图像识别时，利用期望最大化(EM)算法得到训练集图像局部投影熵特征的混合高斯概率分布模型，求取目标图像的相应特征到各个混合高斯函数的Mahalanobis距离，根据距离判别法原理得到目标图像所属类别。实验采用哥伦比亚大学计算机视觉数据库中的图像对算法进行验证，结果表明该算法具有较好的识别效果和良好的并行运算特性

针对源—目的（OD）流量估计解的不稳定性和求解方法的复杂性，将广义线性反演应用于大尺度网络流量矩阵估计，降低求解方法的复杂性；采用奇异值分解（SVD）获得阻尼系数，提高了求解的稳定性；采用历史均值和链路测量数据相结合决定反演初值，降低多解性。Abilene网络的实际数据仿真结果表明，提出的算法能够在保证较高实时性的前提下，提高计算精度。

针对对数极坐标变换引起的图像周边模糊和图像细节丢失等现象，提出了矩形非均匀采样方法。图像中心采样区的大小可根据实际需要进行选取，对其进行均匀采样，对周边区进行分层均匀采样，随距采样中心距离的增大，采样率逐渐降低。对矩形非均匀采样、经典LPT和变参数LPT三者的运算量进行了比较，总体上说，矩形方法具有最少的运算量，而且可以克服对数极坐标变换图像的扭曲，并便于硬件实现。

针对传统红外图像分割算法精度差以及单纯基于边界信息或区域信息Level Set的图像分割算法实时性差等问题，提出了一种同时基于边界信息和区域信息的快速Level Set的红外图像分割算法。通过自适应系数T1和T2很好地将边界信息和区域信息相结合，在保证分割精度的同时加快了图像分割速度。通过实验仿真并与其他红外图像分割算法结果比较，证明了该算法的有效性和实时性。