真实世界中极少存在成对的高低分辨率图像对，传统的基于图像对训练模型的单幅图像超分辨率（SR）方法采用合成数据集的方式得到训练集时仅考虑了双线性下采样退化，且传统图像超分辨率方法在面向真实的未知退化图像时重建效果较差。针对上述问题，提出一种面向真实复杂场景的图像超分辨率方法。首先，采用不同焦距对景物进行拍摄并配准得到相机采集的真实高低分辨率图像对，构建一个场景多样的数据集CSR（Camera Super-Resolution dataset）；其次，为了尽可能地模拟真实世界中的图像退化过程，根据退化因素参数随机化和非线性组合退化改进图像退化模型，并且结合高低分辨率图像对数据集和图像退化模型以合成训练集；最后，由于数据集中考虑了退化因素，引入残差收缩网络和U-Net改进基准模型，尽可能地减少退化因素在特征空间中的冗余信息。实验结果表明，所提方法在复杂退化条件下相较于次优BSRGAN（Blind Super-Resolution Generative Adversarial Network）方法，在RealSR和CSR测试集中PSNR指标分别提高了0.7 dB和0.14 dB，而SSIM分别提高了0.001和0.031。所提方法在复杂退化数据集上的客观指标和视觉效果均优于现有方法。

针对应用层分布式拒绝服务（DDoS）攻击类型多、难以同时检测的问题，提出了一种基于集成学习的应用层DDoS攻击检测方法，用于检测多类型的应用层DDoS攻击。首先，数据集生成模块模拟正常和攻击流量，筛选并提取对应的特征信息，并生成表征挑战黑洞（CC）、HTTP Flood、HTTP Post及HTTP Get攻击的47维特征信息；其次，离线训练模块将处理后的有效特征信息输入集成后的Stacking检测模型进行训练，从而得到可检测多类型应用层DDoS攻击的检测模型；最后，在线检测模块通过在线部署检测模型来判断待检测流量的具体流量类型。实验结果显示，与Bagging、Adaboost和XGBoost构建的分类模型相比，Stacking集成模型在准确率方面分别提高了0.18个百分点、0.21个百分点和0.19个百分点，且在最优时间窗口下的恶意流量检测率达到了98%。验证了所提方法对多类型应用层DDoS攻击检测的有效性。