针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题，提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先，在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块，并且引入一个权重值与每个注意力机制模块相乘，以达到约束注意力机制模块的目的；其次，在PASCAL VOC2012 公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus，以此手动获取注意力机制模块权重值（经验值）；然后，探索输入层、中间层和输出层中注意力机制模块的多种融合方式；最后，将注意力机制模块的权重值更改为反向传播自动更新，从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明，与原始Deeplab V3 Plus网络结构相比，引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比（MIOU）分别提高了1.4个百分点和0.7个百分点。

传感器节点的资源是有限的，高的通信开销会消耗大量的电量。为了减小分布式流数据分类算法的通信开销，提出一种高效的分布式流数据聚类算法。该算法包含在线局部聚类和离线全局协同聚类两个阶段。在线局部聚类算法将每个流数据源进行局部聚类，并将聚类后的结果通过序列化技术发往协同节点；协同节点得到来自不同流数据源的局部聚类信息后进行全局聚类。从实验中可以看出，当不断增加窗口的大小时，算法用于数据发送的时间恒定不变，算法的聚类时间和总的时间呈线性增长，即所提出算法的执行时间不受滑动窗口宽度和聚类个数的影响；同时该算法与集中式算法的准确性接近，并且通信开销远远小于相关的分布式算法。实验结果表明，该算法具有很好的可扩展性，可应用于对大规模分布式流数据源进行聚类分析。