生成对抗网络（GAN）能够自动生成目标图像，对相似地块的建筑物排布生成具有重要意义。而目前训练模型的过程中存在生成图像精度不高、模式崩溃、模型训练效率太低的问题。针对这些问题，提出了一种面向图像生成的条件Wassertein生成对抗网络（C-WGAN）模型。首先，该模型需要识别真实样本和目标样本之间特征对应关系，然后，根据所识别出的特征对应关系进行目标样本的生成。模型采用Wassertein距离来度量两个图像特征之间分布的距离，稳定GAN训练环境，规避模型训练过程中的模式崩溃，从而提升生成图像的精度和训练效率。实验结果表明，与原始条件生成对抗网络（CGAN）和pix2pix模型相比，所提模型的峰值信噪比（PSNR）分别最大提升了6.82%和2.19%；在训练轮数相同的情况下，该模型更快达到收敛状态。由此可见，所提模型不仅能够有效地提升图像生成的精度，而且能够提高网络的收敛速度。

通过间断区间的时态理论扩展了OWL-Time，用在本体中表达单个事件带间断时区的情况。在本体中定义了间断区间概念以及间断区间的时态关系，并以物流领域运输事件的表示为例阐述了领域中基于间断区间的时间知识在本体中的表示方式。通过定义Jena中的原语、规则以及扩展对推理模型的操作构建了相应的推理机,对推理机进行实验检验,不仅验证了推理机运行的正确性,同时也保证了时间知识在本体和规则中表示的正确性，解决了带间断区间的时态知识在语义网中表示和推理的问题。