针对基于监督学习的入侵检测算法需要的大量有标签数据难以收集，无监督学习算法准确率不高，且对R2L及U2R两类攻击检测率低等问题，提出一种高效的半监督多层次入侵检测算法。首先，利用Kd-tree的索引结构，利用加权密度在高密度样本区选择K-means算法的初始聚类中心；然后，将聚类之后的数据分为三个类簇，将无标签类簇和混合类簇借助Tri-training采用加权投票规则扩充有标签数据集；最后，利用二叉树形结构设计层次化分类模型，在NSL-KDD数据集上进行了实验验证。结果表明半监督多层次入侵检测模型能够在利用少量有标签数据的情况下，对R2L及U2R的检测率分别达到49.38%、81.14%，有效提高R2L及U2R两类攻击的检测率，从而降低系统的漏报率。

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题，提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1，1）模型对失效数据进行预测，弱化其随机性；然后采用Elman神经网络对GM（1，1）的预测残差进行建模预测，捕捉其动态性变化规律；最后将GM（1，1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验，并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较，其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016，并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。

针对空运系统日益严重的航班延误，尝试将贝叶斯方法应用于航班数据分析，重点考虑同一飞机飞行连续航班的情况。借助Netica软件包，建立贝叶斯网络模型。通过贝叶斯网络推理进行连续航班延误波及分析，并用实际航班数据进行测试。结果表明，概率统计意义下,模型能够清晰反映连续航班延误原因分布、过站时间差分布和按时间段的延误波及情况。