在深度医学图像分割领域中，TransUNet是当前先进的分割模型之一。但其编码器未考虑相邻分块之间的局部联系，在解码器上采样过程中缺乏通道间信息的交互。针对以上问题，提出一种多注意力融合网络（MFUNet）模型。首先，在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系；其次，在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息，以增强模型对通道间关键信息的敏感度；最后，通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束。在Synapse和ACDC公共数据集上进行实验，可以看出，MFUNet的Dice相似系数（DSC）分别达到了81.06%和90.91%；在Synapse数据集上的Hausdorff距离（HD）与基线模型TransUNet相比减小了11.5%；在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点。实验结果表明，MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果，有助于提升医生在临床实践中的诊断效率。
现有的大部分目标检测算法都依赖于大规模的标注数据集来保证检测的正确率，但某些场景往往很难获得大量标注数据，且耗费大量人力、物力。针对这一问题，提出了基于负边距损失的小样本目标检测方法（NM?FSTD），将小样本学习（FSL）中属于度量学习的负边距损失方法引入目标检测，负边距损失可以避免将同一新类的样本错误地映射到多个峰值或簇，有助于小样本目标检测中新类的分类。首先采用大量训练样本和基于负边距损失的目标检测框架训练得到具有良好泛化性能的模型，之后通过少量具有标签的目标类别的样本对模型进行微调，并采用微调后的模型对目标类别的新样本进行目标检测。为了验证NM?FSTD的检测效果，使用MS COCO进行训练和评估。实验结果表明，所提方法AP50达到了22.8%，与Meta R?CNN和MPSR相比，准确率分别提高了3.7和4.9个百分点。NM?FSTD能有效提高在小样本情况下对目标类别的检测性能，解决目前目标检测领域中数据不足的问题。
针对传统无参考模糊图像质量评价算法存在高计算复杂度的问题，通过改进经典的二次模糊处理算法，提出一种快速有效的无参考模糊图像质量评价方法。该算法基于人眼视觉系统(HVS)特性，利用局部方差选取人眼感兴趣图像块代替整体图像，并将感兴趣图像块通过低通滤波处理，构造模糊图像块，通过计算滤波前后图像块相邻像素差值变化大小获取原始整体图像的客观质量评价参数。仿真测试结果表明，该算法与传统整体图像二次模糊算法相比，皮尔逊相关系数提高0.01，与主观评价结果更为一致；运算速度提高一倍，降低了运算复杂度。
TURN协议是一种穿越对称NAT的技术。以RFC3489技术为基础，对TURN协议草案进行了深入研究与分析，并在此基础上，改进和简化了草案中存放动态分配地址的地址映射表结构，设计了TURN技术的工作方式和应用模型。然后，借鉴了STUN方式的设计思想，设计并实现了TURN服务器原型系统，解决了SIP UA在STUN等方式下不能穿越对称性NAT问题。
