针对人脸编辑存在的编辑结果不自然、生成图像变化较大等问题，提出了一种有闭解的可控人脸编辑算法。首先，随机采样 n 个潜在向量来构造样本矩阵，并计算出该矩阵的前 k 个主成分向量；然后，利用ResNet-50得到人脸图像的5个属性，并通过支持向量机（SVM）计算出各属性的语义边界；最后，计算这些属性的可解释方向向量，这些向量在尽量靠近主成分向量的同时也尽量远离对应属性的语义边界，从而减小人脸属性之间的耦合性，并提高编辑过程中的可控性。该算法具有闭解，因此效率较高。实验结果表明，所提算法和语义的闭式分解（SeFa）算法和可解释的生成对抗网络控制（GANSpace）算法相比，在初始分数（IS）上分别增加了19%和26%，在弗雷歇距离（FID）上分别减小了4%和37%，在最大平均差异（MMD）上分别减小了15%和48%。可见，该算法具有较好的可控性和解耦性。

针对深度谱聚类模型训练不稳定和泛化能力弱等问题，提出L1正则化的深度谱聚类算法（DSCLR）。首先，在深度谱聚类的目标函数中引入L1正则化，使深度神经网络模型生成的拉普拉斯矩阵的特征向量稀疏化，并提升模型的泛化能力；其次，通过利用参数化修正线性单元激活函数（PReLU）改进基于深度神经网络的谱聚类算法的网络结构，解决模型训练不稳定和欠拟合问题。在MNIST数据集上的实验结果表明，所提算法在聚类精度（CA）、归一化互信息（NMI）指数和调整兰德系数（ARI）这3个评价指标上，相较于深度谱聚类算法分别提升了11.85、7.75和17.19个百分点。此外，所提算法相较于深度嵌入聚类（DEC）和基于对偶自编码器网络的深度谱聚类（DSCDAN）等算法，在CA、NMI和ARI这3个评价指标上也有大幅提升。