针对计算机对视频进行自动标注和描述准确率不高的问题，提出一种基于多特征融合的深度视频自然语言描述的方法。该方法提取视频帧序列的空间特征、运动特征、视频特征，进行特征的融合，使用融合的特征训练基于长短期记忆（LSTM）的自然语言描述模型。通过不同的特征组合训练多个自然语言描述模型，在测试时再进行后期融合，即先选择一个模型获取当前输入的多个可能的输出，再使用其他模型计算当前输出的概率，对这些输出的概率进行加权求和，取概率最高的作为输出。此方法中的特征融合的方法包括前期融合：特征的拼接、不同特征对齐加权求和；后期融合：不同特征模型输出的概率的加权融合，使用前期融合的特征对已生成的LSTM模型进行微调。在标准测试集MSVD上进行实验，结果表明：融合不同类型的特征方法能够获得更高评测分值的提升；相同类型的特征融合的评测结果不会高于单个特征的分值；使用特征对预训练好的模型进行微调的方法效果较差。其中使用前期融合与后期融合相结合的方法生成的视频自然语言描述得到的METEOR评测分值为0.302，比目前查到的最高值高1.34%，表明该方法可以提升视频自动描述的准确性。

以无线传感器网络中的LEACH和HEED分簇算法为背景，提出一种基于能耗均衡的自适应网络分簇算法EBACA。算法的主要特点是传感器节点根据自身状态信息自主竞争簇头，簇头选择标准考虑了随机概率与节点剩余能量结合，并引入了节点能量预测和能量阈值；为均衡各个节点的能耗，通过重新规划时间片来调节节点的工作频率；为减少簇头的能量开销,簇头之间通过多跳方式将各个簇内收集到的数据发送给特定簇首节点,并由此簇首节点将整个网络收集的数据发送给基站。设计的目标是均衡网络能耗，进而最大化网络寿命。分析和仿真结果表明，相对于几种重要的分簇算法，如LEACH和HEED，EBACA在平衡节点能量消耗和延长网络寿命方面具有更优越的性能。

Blowfish算法自提出以后便得到了广泛应用，很多针对它的攻击也随之出现，但未见对它有实质性的挑战。针对Blowfish算法加密过程中出现的缺陷，给出了从Blowfish算法更新后得到的子密钥数组直接导出密钥数组K的详细过程，指出在应用中可能造成整个Blowfish算法被攻破。另外，用反证法证明了由于不满足前提条件,因而滑动攻击对Blowfish算法失效。

运用多优先级排队系统的分析方法,研究了到达时刻和执行时间均不确定的非周期软实时系统,提出了一种针对DM调度算法的动态最优控制方法。该方法能在统计意义上确保系统的实时性,同时又兼顾系统的QoS需求和提高系统吞吐率。实例表明，该方法能提高系统的实际利用率，降低系统的截止时间错过率,是一种有效的载荷管理方法。

模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法，但其算法初始聚类中心集是随机选取的，从而造成算法的性能强烈的依赖聚类中心集的初始化。提出了一种改进的基于多项式求解的FCM(PFCM)算法，该算法基于求解多项式的根来确定数据集初始聚类中心集，很好地解决了数据初始聚类中心集问题，使数据初始聚类中心集代表了数据集类别的特征，在此基础上，采用FCM算法得到聚类中心集的近似最优解。

提出了一种新的图像数字盲水印算法。在水印嵌入过程中,用一个单元模板表示一个水印图像像素;在检测过程中,计算单元模板和嵌入水印后图像的小波变换系数的相关值,进行适当的门限处理就能提取出水印。水印检测不需要原始图像数据和水印位置信息,实现了水印图像的自同步盲检测。为了进一步提高该水印算法的鲁棒性和改善检测结果,在水印检测前使用拉普拉斯算子对图像进行锐化处理,使得所嵌入水印能抗击更多攻击种类,并使检测结果更清晰。在检测前加入锐化处理步骤,可以减小水印嵌入强度,而能得到同样的检测效果,因此也增强了水印的隐蔽性。实验表明,该算法具有较好的水印隐蔽性和鲁棒性。