现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测，忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此，提出一种基于烛台图模式匹配（CPM）的PM_2.5（大气细颗粒物污染）扩散特征提取方法。首先，利用基于卷积神经网络（CNN）的卷积思想从大量历史PM_2.5序列中生成基础周期烛台图；然后，通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析；最后，结合CNN在图像识别中的独特优势，形成融合图形特征与时序特征序列的混合模型，判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明，与使用单一时间序列数据的深度卷积神经网络VGG（Visual Geometry Group）相比，基于CPM的提取方法准确率提升了1.9个百分点。可见，基于CPM的方法能有效提取PM_2.5趋势特征，可以用于预测未来污染物浓度周期变化。

针对越南场景文字检测训练数据缺乏及越南文字声调符号检测不全的问题，在改进的实例分割网络Mask R-CNN的基础上，提出一种针对越南场景文字的检测算法。为了准确地分割带声调符号的越南场景文字，该算法仅使用P2特征层来分割文字区域，并将文字区域的掩码矩阵大小从14×14调整为14×28以更好地适应文字区域。针对用常规非极大值抑制（NMS）算法不能剔除重复文字检测框的问题，设计了一个针对文字区域的文本区域过滤模块并添加在检测模块之后，以有效地剔除冗余检测框。使用模型联合训练的方法训练网络，训练过程包含两部分：第一部分为特征金字塔网络（FPN）和区域生成网络（RPN）的训练，训练使用的数据集为大规模公开的拉丁文字数据，目的是增强模型在不同场景下提取文字的泛化能力；第二部分为候选框坐标回归模块和区域分割模块的训练，此部分模型参数使用像素级标注的越南场景文字数据进行训练，使模型能对包括声调符号的越南文字区域进行分割。大量交叉验证实验和对比实验结果表明，与Mask R-CNN相比，所提算法在不同的交并比（IoU）阈值下都具有更好的准确率与召回率。

针对基于用户社会关系的协同过滤推荐算法有时无法给出目标用户对目标物品的评分的情况，以及基于物品的协同过滤推荐算法中存在的用户对不同类型物品的评分可能不具有可比性的问题，提出了两个基于物品标签的协同过滤推荐算法。这两个算法在计算物品相似度时引入了物品的类型标签信息。在景点评分数据上的实验结果表明：相比基于用户社会关系的协同过滤推荐算法，基于用户社会关系和物品标签的协同过滤推荐算法的准确率和覆盖率提升最高达10%和4%；相比基于物品的协同过滤推荐算法，基于物品和物品标签的协同过滤推荐算法的准确率提升达15%。这说明景点类型标签信息的引入能使得景点的相似度计算更准确。