针对低信噪比(SNR)环境下传统方法对声信号降噪的局限性，提出了一种联合自适应阈值活动语音检测（VAD）算法和最小均方误差对数谱幅度估计（MMSE-LSA）的实时降噪算法。首先，在VAD算法中通过基于能量概率最大值的概率统计来对背景噪声进行估计，对得到的背景噪声进行实时更新并保存；然后，将实时更新的背景噪声作为MMSE-LSA的参考噪声，并对噪声幅度谱进行自适应更新，最后进行降噪处理。通过在真实场景中对四类声信号进行实验，结果表明，该算法在保证对低SNR声信号的实时处理的情况下，相较于传统MMSE-LSA算法，降噪信号的SNR能够提高10~15 dB，且不存在信号过减的情况，可应用于实际工程。

针对人脸表情识别的泛化能力不足、稳定性差以及速度慢难以满足实时性要求的问题，提出了一种基于多尺度核特征卷积神经网络的实时人脸表情识别方法。首先，提出改进的MobileNet结合单发多盒检测器（MSSD）轻量化人脸检测网络，并利用核相关滤波（KCF）模型对检测到的人脸坐标信息进行跟踪来提高检测速度和稳定性；然后，使用三种不同尺度卷积核的线性瓶颈层构成三条支路，用通道合并的特征融合方式形成多尺度核卷积单元，利用其多样性特征来提高表情识别的精度；最后，为了提升模型泛化能力和防止过拟合，采用不同的线性变换方式进行数据增强来扩充数据集，并将FER-2013人脸表情数据集上训练得到的模型迁移到小样本CK+数据集上进行再训练。实验结果表明，所提方法在FER-2013数据集上的识别率达到73.0%，较Kaggle表情识别挑战赛冠军提高了1.8%，在CK+数据集上的识别率高达99.5%。对于640×480的视频，人脸检测速度达到每秒158帧，是主流人脸检测网络多任务级联卷积神经网络（MTCNN）的6.3倍，同时人脸检测和表情识别整体速度达到每秒78帧。因此所提方法能够实现快速精确的人脸表情识别。

为快速稳定地检测图像序列中角度变化较大、遮挡较为严重的人脸，结合快速精确的目标检测模型MobileNet-SSD （MS）和快速跟踪模型核相关滤波（KCF），提出一种新的自动检测-跟踪-检测（DTD）模式，即MS-KCF人脸检测模型。首先，利用MS模型快速精确地对人脸进行检测，并且更新跟踪模型；其次，将检测到的人脸坐标信息输入到KCF跟踪模型中进行稳定的跟踪，并加快整体的检测速度；最后，为了防止跟踪丢失，跟踪数帧后再次更新检测模型，重新对人脸进行检测。实验显示，在FDDB人脸检测基准中，MS-KCF模型的召回率为93.60%；在WIDER FACE人脸检测基准的Easy、Medium和Hard数据集中，MS-KCF模型的召回率分别为93.11%、92.18%和82.97%，平均速度为193帧/s。实验结果表明，MS-KCF模型具有稳定性和快速性，在图像序列中对严重遮挡和角度变化大的人脸具有很好的检测效果。

为了提高模糊支持向量机(FSVM)对剪接位点的识别精度，提出一种计算样本隶属度的新方法。将样本到两聚类中心的距离比值作为样本的初始隶属度，采用K近邻(KNN)方法计算样本的紧密度，最后将初始隶属度与紧密度的乘积作为样本的最终隶属度，这样既提高了支持向量的隶属度，又降低了噪声样本的隶属度。将此方法应用到剪接位点的识别中，对组成性5′和3′剪接位点的识别精度分别达到了94.65%和 88.79%，与经典支持向量机相比，3′剪接位点的识别精度提高了7.94%。

应用非线性最小二乘支持向量机对原核生物进行基因识别，通过寻找序列开放阅读框（ORF），并与可靠基因位点文件进行比较产生训练样本集，然后提取样本GC含量和Z曲线特征，并利用T检验方法检验各特征值所包含的信息量，设计出了非线性最小二乘支持向量机分类器识别基因。结果表明非线性最小二乘支持向量机的识别率比Fisher判别和线性支持向量机在不同的特征组合下分别提高了7.09%~29.97%和10.97%~25.45%，并且在特征值信息量较小的情况下非线性最小二乘支持向量机更能表现其优越性。