针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题，提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子，并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中，当前个体首先执行“教”算子。随后，在种群中随机选择两个个体，令其中优秀的个体与当前个体执行头脑风暴式学习，提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力，在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明，与TLBO算法相比，所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上，ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性，所提算法适合用来求解较高维度的连续优化问题。

提出了一种新的利用图像灰度值自然对数比率邻域滤波的图像平滑方法．从现有邻域滤波模型出发，分析了其去噪原理，讨论了其规一化因子中像素灰度值相似函数存在的问题。在此基础上针对具有代表性的双边滤波模型进行修改，提出新的灰度值自然对数比率相似函数模型。新的灰度值自然对数比率双边邻域滤波模型不仅保持了原有双边邻域滤波模型较好的平滑效果，而且保留了尽可能多的细节部分，同时对于彩色图像还保持了原有图像的色彩过渡。通过实验表明，本文提出的方法达到理想的去噪效果。