针对单一生物特征识别技术易受外界各种因素影响，识别率和稳定性有待提高的问题，提出一种掌纹掌脉图像超小波域融合识别算法NSCT-NBP。首先，对掌纹掌脉图像利用非下采样Contourlet变换（NSCT）进行分解，将得到的低频和高频子图像分别利用区域能量和图像自相似原理进行融合；然后，对融合后的图像利用近邻二值模式（NBP）提取纹理特征，获得特征向量；最后，通过计算特征向量间的汉明距离比较融合图像间的近似程度来计算等误率（EER）。在PloyU图库及自建图库上进行实验，结果表明，NSCT-NBP算法可获得最低的EER，分别为0.72%和0.96%，识别时间仅为0.0530 s和0.0871 s，与当前最优的基于小波变换和Gabor滤波器的掌纹掌脉融合方法相比，在两个图库上EER分别降低了4%和36.8%。NSCT-NBP算法能够有效融合掌纹掌脉图像的纹理特征，具有良好的识别性能，并且掌纹掌脉特征的融合增强了识别系统的安全性。

为了提高无线传感器网络（WSN）的能量利用效率，提出一种基于最优簇数和改进引力搜索的WSN路由算法（ONCIGS）。首先，根据非均匀分簇的思想计算最优簇数，并采用改进的凝聚嵌套（AGNES）算法实现网络的合理分簇；其次，将反向学习机制和精英策略思想引入到引力搜索算法中，并基于种群密度对作用力进行自适应调整，以提高搜索精度，加快收敛；然后，将簇头剩余能量的标准差作为目标函数，搜索能量均衡的簇间数据转发路径。实验结果表明，相比低功耗自适应集簇分层型（LEACH）路由算法和分布式能量均衡非均匀成簇（DEBUC）路由算法，ONCIGS在100 m×100 m网络规模下将网络生命周期分别延长41.94%和5.77%，在200 m×200 m网络规模下分别延长76.60%和7.82%。ONCIGS能够有效地延长网络寿命，提高能量效率。

针对复杂的室内环境和在传统 K最近邻法（ KNN）算法中认为信号差相等时物理距离就相等两个问题，提出了一种新的接入点（AP）选择方法和基于缩放权重的 KNN室内定位算法。首先，改进AP的选择方法，使用箱形图过滤接收信号强度（RSS）的异常值，初步建立指纹库，剔除指纹库中丢失率高的AP，使用标准偏差分析RSS的变化，选择干扰较小的前 n个AP；其次，在传统的 KNN算法中引入缩放权重，构建一个基于RSS的缩放权重模型；最后，计算出获得最小有效信号距离的前 K个参考点坐标，得到未知位置坐标。定位仿真实验中，仅对AP选择方法进行改进的算法平均定位误差比传统的 KNN算法降低了21.9%，引入缩放权重算法的平均定位误差为1.82 m，比传统 KNN降低了53.6%。

在总结国内外对SRTM无效数据填补方法的基础上,针对直接用低精度的GTOPO30数据进行镶嵌填充SRTM无效数据会产生边界不光滑,细节表现不好的问题,采用Laplacian迭代修复算法。该算法是经典的基于偏微分方程(PDE)的图像修复算法。实例对比验证表明,该方法在对SRTM大块无效数据填补效果上明显好于用GTOPO30数据直接填补的效果,是获取完整SRTM数据的有效方法之一。