针对标注神经网络训练数据的成本日益增加与噪声干扰阻碍语音识别系统性能提升的问题，提出一种基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法。首先，在预处理阶段提取原始语音样本的三个人工特征；然后，在训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征；同时，把特征提取前端与语音识别后端进行交叉训练，并合并它们的损失函数；最后，通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征，从而实现人工知识迁移与去噪，并高效利用了训练数据。在军事装备控制的应用场景下，基于加噪后的THCHS-30、希尔贝壳数据集AISHELL-1与ST-CMDS这三个开源中文语音识别数据集以及军事装备控制指令的数据集上进行测试，实验结果表明，基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法词错率可以降低到0.12，不仅可以实现对鲁棒性语音识别模型的模型训练，同时通过自监督知识迁移提高了训练样本的利用率，可完成装备控制任务。

针对物联网（IoT）服务描述文本篇幅较短、特征稀疏，直接采用传统的主题模型对IoT服务建模得到的聚类效果不佳，从而导致无法发现最佳服务的问题，提出了一种基于BTM的IoT服务发现方法。该方法首先利用BTM挖掘现有IoT服务的隐含主题，并通过全局主题分布和主题-词分布计算推理得到服务文档-主题概率分布；其次利用K-means算法对服务进行聚类，并返回服务请求的最佳匹配结果。实验结果分析表明，该方法能够有效提高IoT服务的聚类效果，从而得到匹配的最佳服务。与现有的HDP（Hierarchical Dirichlet Process）、基于K-means的隐狄利克雷分配（LDA-K）等方法相比，该方法进行最佳服务发现的准确度（Precision）和归一化折损累积增益（NDCG）均有一定幅度的提高。

字典模型(BOW)是一种经典的图像描述方法，模型中特征字典的构造方法至关重要。针对特征字典构造问题，提出了一种类别约束下的低秩优化特征字典构造方法LRC-DT，通过低秩优化的方法使训练出来的特征字典在描述同类图像时表示系数矩阵的秩相对较低，从而将类别信息引入到字典学习中，提高字典对图像描述的可分辨性。在标准公测库Caltech-101和Caltech-256上的实验结果表明：将SPM、稀疏编码下的SPM(ScSPM)、局部线性编码(LLC)和线性核函数的SPM(LSPM)编码方法中的特征字典替换为加入低秩约束(LRC)的特征字典后，随着训练样本数目增多，字典模型的分类准确率与未引入低秩约束的方法相比有所提高。