针对卷积神经网络（CNN）拥有巨大的参数量及计算量，限制了其在嵌入式系统等资源受限设备上应用的问题，提出了基于统计量的网络剪枝结合张量分解的神经网络压缩方法，其核心思想是以均值和方差作为评判权值贡献度的依据。首先，以Lenet5为剪枝模型，网络各卷积层的均值和方差分布以聚类方式分离出提取特征较弱的滤波器，而使用保留的滤波器重构下一层卷积层；然后，将剪枝方法结合张量分解对更快的区域卷积神经网络（Faster RCNN）进行压缩，低维卷积层采取剪枝方法，而高维卷积层被分解为三个级联卷积层；最后，将压缩后的模型进行微调，使其在训练集上重新达到收敛状态。在PASCAL VOC测试集上的实验结果表明，所提方法降低了Faster RCNN模型54%的存储空间而精确率仅下降了0.58%，同时在树莓派4B系统上达到1.4倍的前向计算加速，有助于深度CNN模型在资源受限的嵌入式设备上的部署。

最大公约数(GCD)算法中,对于输入B和C,利用Sorenson的右移k-ary消减思想提出一个算法用于寻找整数x和y,使得x和y满足Bx-Cy在二进制表示下低比特位部分为0,即Bx-Cy=0(mod 2^e),其中e是常数正整数。利用该算法能够右移较多比特并大规模降低循环次数。再结合模算法,提出了快速GCD算法,其输入规模为n比特时最差复杂度仍然是O(n²),但最好的情况下复杂度能达到O(nlog²n log logn)。实验数据表明,对于20万以上比特规模的输入,快速GCD算法比Binary GCD算法速度快;对100万比特规模的输入,快速GCD算法速度是Binary GCD算法的两倍。

针对政务网络结构的一致性验证问题，提出一种基于图相似匹配的政务网络结构一致性验证方法。方法首先抽象出政务网络的图模型，利用网络结构的模块化特征和顶点的k-邻近关系进行可扩展的图相似匹配，获取两图之间的所有相似结构；然后引入节点重要性贡献和路径距离衰减因素，提出一种改进的图相似性度量函数，计算网络结构之间的一致性程度。实验结果表明，该方法能够准确、有效地评估政务网络结构的一致性程度，细粒度地反映网络结构之间的相似差异情况，包括网络拓扑与系统部署存在的各种违规情况。

基本输入输出系统(BIOS)陷门对计算机系统影响巨大，且现有工具难以有效检测其存在。在逆向分析基础上，研究了BIOS结构及BIOS代码混淆技术。根据实现粒度，将BIOS陷门分为模块级BIOS陷门与指令级BIOS陷门，详细分析了这两类陷门的实现原理与特点。最后提出了基于模块构成分析的模块级陷门检测方法和基于完整性度量的指令级陷门检测方法。实验结果表明，两种方法能有效检测与之对应的BIOS陷门的存在。

选拔算法是两级逻辑综合中求解最小化覆盖的经典方法之一，但在输出变量集合和质立方体集合规模较大的情况下，采用选拔法求最小化覆盖存在空间复杂度高、求解时间长等问题。为此，提出了求解多输出函数最小化覆盖的改进选拔算法。利用相交迭代和局部搜索的思想，分别对选拔法的极值运算和分支处理进行了改进。实验结果表明，在现有计算机资源条件下，该算法为大规模数据条件下逻辑函数的优化提供了一种有效的方法。