针对高铁站这类半封闭建筑的热舒适度影响因素众多，影响机制复杂以及热舒适度与能耗存在背反等问题，提出了基于机器学习的高铁站热舒适度与能耗综合预测方法。首先采用传感器数据捕获及Energy Plus仿真两种方式对高铁站室内外状态、多联机及热交换机等控制单元及热能传导环境进行建模；其次提出影响高铁站热舒适度的八类因素——多联机开启台数、多联机设置温度、热交换机开启台数、客流密度、室外温度、室内温度、室内湿度和室内二氧化碳浓度，并设计424种模型运行工况以及3 714 240个实例；最后设计6种机器学习模型——深度神经网络、支持向量回归、决策树回归、线性回归、岭回归和贝叶斯岭回归，来对高铁站室内热舒适度和空调能耗进行有效预测。实验结果表明，6种机器学习模型中决策树回归预测模型能够在较短的时间内获得最优的预测性能，其平均均方误差低至0.002 2。所得研究成果可直接为下一阶段的温控策略提供主动预判的环境状态参数并实现实时决策。

为了更合理地挖掘研究团队，提出了一种基于师门关系的研究团队挖掘算法。首先，使用BiLSTM-CRF神经网络模型抽取学位论文致谢部分的师门和同门命名实体；其次，构建师生之间的指导合作关系网络；然后，改进鲁汶算法，提出基于师门关系的鲁汶算法来实现研究团队挖掘。在American College football等数据集上对比了标记传播算法、聚集系数算法与鲁汶算法的性能。此外，在三个不同规模的学位论文数据集上对比基于师门关系的鲁汶算法和原始鲁汶算法的运行效率。实验结果表明，数据规模越大，基于师门关系的鲁汶算法运行效率提升越明显。最后，在国防科技大学学位论文数据集上验证基于师门关系的鲁汶算法的研究团队挖掘性能。实验结果表明，所提算法挖掘的研究团队在团队的合作紧密程度、规模、内部联系和稳定性这四个方面比基于论文合作网络的挖掘方法更为合理。

针对医学图像中软组织形变复杂多样的特点，在配准过程中以离散化的有限单元为基本单位模拟和预测整个弹性体产生的形变，将配准过程视为有限元求解二维平面应力问题并对有限元能量函数进行改进，选取高精度和鲁棒性良好的互信息(MI)为测度应用到方程求解中。为提高算法效率，在配准过程中采用多分辨率策略进行优化。通过对放疗中医学图像进行配准实验并与已有方法进行比较，得到的配准结果更优，对刚体位移更敏感并提高了速度，表明该方法是一种具有高精度和高效率的配准方法。