传统的基于生物学实验的药物-靶标关联预测成本高、效率低，难以满足医药研发的需求。为了解决上述问题，提出一种新的基于图卷积网络的药物靶标关联预测（GCDTI）算法。GCDTI利用半监督学习方法将图卷积和自编码技术相结合，从而分别构建用于整合节点特征的编码层和用于预测全链接交互网络的解码层；同时使用图卷积技术建立潜在因子模型，并有效利用药物和靶标的高维属性信息进行端到端的学习。所提算法不需要对输入的特征信息进行任何预处理便可以将其与已知相互作用网络相结合，证明了该模型的图卷积层能够有效地融合输入数据与节点特征。与其他先进方法相比，GCDTI的预测精度和平均受试者工作特性（ROC）曲线下的面积（AUC）（0.924 6±0.004 8）最高，且具有较强的鲁棒性。实验结果表明：当需要预测大量的药物和靶标数据的关联关系时，利用端到端学习的模型架构的GCDTI有潜力成为一种可靠的预测方法。

考虑到一般机器人视觉导航滤波算法的通用性和有效性比较差的缺点，结合中值滤波器和多尺度自适应融合滤波器这两种算法的优点，提出一种基于中值和多尺度的组合优化滤波器。算法首先应用中值滤波，然后进行多尺度滤波处理,最后根据最小平均绝对误差准则，将滤波后结果进行融合处理。实验结果表明：该算法能很好地滤除机器人道路图像各种常见的噪声，从而提高算法的有效性和通用性。

考虑到在形态学中，不同形状的结构元素和不同尺度的元素在去噪声和保持图像细节方面的作用是不同的，提出了一种基于多结构多尺度自适应形态边缘检测算法。对一般边缘检测算子做了改进，增加了边缘细节信息。通过计算检测后的边缘信息熵，自适应确定权值系数。将多结构元素检测的边缘和多尺度元素检测的边缘做融合处理，得到最终的图像边缘。实验结果表明,与几种经典边缘检测算法相比，所提出的算法能有效地抑制图像的多种噪声对边缘检测的影响，较好地保持图像边缘细节，自适应提取完整连续边缘。