针对现有的领域泛化（DG）方法对领域特征处理粗糙和泛化能力弱的问题，提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先，设计频域分解算法，将图像的深度特征快速傅里叶变换（FFT）后，再从相位信息中获得领域无关特征，以提高模型对领域无关特征的识别能力；其次，基于独立性视角，通过对样本的特征赋权，进一步消除频域特征中各属性的相关性，提取最有效领域无关特征，解决样本特征之间相关性带来的泛化能力差的问题；最后，提出幅度融合策略，拉近源域和目标域的距离，进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明，所提方法的准确率均值比StableNet分别高0.44、0.59个百分点，且在各个数据集上均取得了优秀的性能。

针对现有方法在表格结构识别问题中存在的先验知识依赖、鲁棒性不足、表达能力不足等问题，提出一种新的融合边特征与注意力的表格结构识别模型——GEAN-TSR。首先，提出图边注意力网络（GEAN）并作为模型的主干网络，在边卷积结构的基础上引入并改进图注意力机制聚合图节点特征，解决图网络在特征提取过程中的信息损失的问题，提高图网络的表达能力；然后，引入边特征融合模块融合浅层图节点信息与图网络输出，增强图网络的局部信息提取能力与表达能力；最后，将门控循环单元（GRU）提取的图节点文本特征融入文本特征融合模块对边进行分类预测。在SciTSR-COMP数据集上的对比实验中，相较于目前最优的模型SEM，GEAN-TSR的召回率与F1值分别提升2.5与1.4个百分点。在消融实验中，GEAN-TSR采用特征融合模块后，所有指标都取得了最优值，验证了模块的有效性。实验结果表明，GEAN-TSR能够有效提升网络性能，更好地完成表格结构识别任务。

针对随机置乱算法生成复杂网络的零模型时,因不同阶次零模型成功置乱概率的差异导致难以准确判断零模型何时能够趋于稳定的问题,定义了"成功置乱次数"的概念,并提出使用"成功置乱次数"替代传统的"尝试置乱次数"进行算法设定。提出的成功置乱次数指标仅在随机选择的边满足相应阶次零模型的置乱条件从而被成功置乱后进行累加。各阶次零模型生成实验表明,使用该算法设定方式后各网络拓扑指标均能在较小的成功置乱次数范围内趋于稳定。进一步的量化分析表明,按阶次分别设定成功置乱次数为网络边数的2倍、1倍、1倍即可得到质量较好的0阶、1阶、2阶零模型。