遥感影像数据因其固有的不确定性与复杂性，导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性，其中二型模糊集能更好地刻画类间多重不确定性，而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题，因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SS-AIT2FCM）。首先，结合半监督和进化论思想，提出一种新的模糊权重指数选取方法，以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性，使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类；然后，通过对少量标记样本的软约束监督，对区间二型模糊算法迭代过程进行优化指导，来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据，对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明，SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界，且有较好数据泛化能力。

心电图（ECG）心拍分类对心脏疾病的临床诊断具有重要意义，但是ECG四类心拍间数据不平衡问题严重制约着心拍分类性能的提升。针对这一问题，以卷积神经网络（CNN）为基础，首先在组合四类心拍等量数据基础上构建用于表达噪声及四类心拍间共性信息的通用CNN模型，接着以通用CNN模型为基础分别在四类心拍数据上构建四个更为有效表达对应心拍类别倾向性信息的类别CNN模型，最后综合四个类别CNN模型的输出判别心拍类型。在MIT-BIH心电图数据库上的实验结果显示，该方法的平均灵敏度为99.68%、平均阳性检测率是98.58%、综合指标是99.12%，显著优于二级联合聚类法在MIT-BIH心电图数据库上的分类性能。