针对向卷积神经网络（CNN）中嵌入注意力机制模块以提高模型应用精度导致参数和计算量增加的问题，提出基于挤压激励的轻量化高度维度挤压激励（HD-SE）模块和宽度维度挤压激励（WD-SE）模块。为了充分利用特征图中潜在的信息，HD-SE对卷积层输出的特征图在高度维度上进行挤压激励操作，获得高度维度上的权重信息；而WD-SE在宽度维度上进行挤压激励操作，以得到特征图宽度维度上的权重信息；然后，将得到的权重信息分别应用于对应维度的特征图张量，以提高模型的应用精度。将HD-SE与WD-SE分别嵌入VGG16、ResNet56、MobileNetV1和MobileNetV2模型中，在CIFAR10和CIFAR100数据集上进行的实验结果表明，与挤压激励（SE）模块、协调注意力（CA）模块、卷积块注意力模块（CBAM）和高效通道注意力（ECA）模块等先进的注意力机制模块相比，HD-SE与WD-SE在向网络模型中增加的参数和计算量更少的同时得到的精度相似或者更高。

针对低剂量计算机断层扫描(CT)重建图像发生严重衰退的问题,提出一种基于变指数和非局部的最大似然期望最大(MLEM)低剂量CT重建算法。该算法考虑了传统各向异性扩散中降噪不充分的缺点,把可以有效折中热传导和各向异性扩散(P-M)这两种模型的变指数,以及代替梯度检测边缘和细节的相似度函数运用到传统各向异性扩散中,从而达到所期望的效果。该算法在每次迭代中首先采用基本的MLEM算法对低剂量CT投影数据进行重建; 然后利用基于非局部的相似性测度以及变指数和模糊数学的理论对各向异性扩散的扩散函数进行改进,用改进后的各向异性扩散对重建图像进行降噪;最后使用中值滤波对图像进行处理从而消除脉冲噪声点。实验结果表明,所提出算法的均方绝对误差、归一化均方距离均比有序子集惩罚最小二乘(OS-PLS)、有序子集惩罚最大似然一步迟疑(OS-PML-OSL)、基于传统P-M、基于方差的算法小,获得了高达10.52的信噪比。该算法重建出的图像可以在有效消除噪声的同时较好地保持图像的边缘和细节信息。

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾，提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型，引入片相似性的思想，构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性（或梯度信息）检测边缘，不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性，可以在滤除图像噪声的同时，保持更多的细节信息。仿真结果表明，与其他传统的基于偏微分方程（PDE）的图像降噪算法相比，该算法将信噪比（SNR）和峰值信噪比（PSNR）提高至16.602480dB和31.284672dB，具有良好的抗噪性；同时视觉效果较好，保持了更多的弱边缘和纹理等细节特征，在噪声抑制与边缘保持之间取得了较好的权衡。

针对车载自组织网络（VANET）位置验证的共谋攻击问题，提出了一种基于权重的差值化多轮投票位置验证机制。该机制通过引入静态帧以及重新设计信标帧（Beacon）消息格式缓解位置验证延时，并设置恶意车辆过滤环节，使得具有不同信任度的邻居对特定区域中的位置进行基于权重的多轮投票，以获得可信的位置验证。实验结果表明，在位置验证算法的正确率方面，多个恶意车辆发起合谋攻击时该机制算法的正确率仍能达到93.4%，与基于最小均方误差（MMSE）的位置验证方案相比，能获得更高的检测率。