针对农业新闻目前面临的针对性差、分类不清和数据集缺乏等问题，提出一种基于ERNIE（Enhanced Representation through kNowledge IntEgration）、深度金字塔卷积神经网络（DPCNN）和双向门控循环单元（BiGRU）的农业新闻分类模型——EGC。首先利用ERNIE对数据集进行编码，然后利用改进后的DPCNN和BiGRU同时提取新闻文本的特征，再将两者提取的特征进行拼合并经过Softmax得到最终结果。为了使EGC模型适用于农业新闻分类领域，对DPCNN进行改进，减少它的卷积层以保留更多特征。实验结果表明，与ERNIE相比，EGC模型的精确率、召回率和F1分数别提升了1.47、1.29和1.42个百分点，优于传统分类模型。

模糊Petri网（FPN）是知识库系统（KBS）表示、建模与分析的主要工具之一。针对部分FPN层次结构不清晰、库所/变迁间从属关系不明确的问题，提出一种基于逆向搜索的FPN分层算法（HFPN-RS）以实现非层次化FPN到层次化FPN（HFPN）的自动转换。首先，从终结库所开始对整个FPN进行逆向搜索，将所有输入库所的前集、输出库所的后集分别划分在同一层；其次，通过添加虚库所-虚变迁对的方式明确整个模型的层次结构；同时提出两条相关定理以明确HFPN分层层数的下确界和层次化操作中需要添加的最少虚库所-虚变迁对数，并给出经层次化操作后具有完整分层结构的FPN模型关联矩阵维度计算公式。在实验部分，通过对几类各具特点的FPN模型进行层次化操作，并利用所提定理进行验证。实验结果表明，添加虚库所-虚变迁对后新FPN模型具有清晰的层次结构，为下一步FPN泛化能力等研究内容的深入提供了理论基础。

基于传统分块压缩感知(BCS)的图像融合中，由于空间域BCS采样缺乏考虑图像的全局特性，导致融合图像重构质量差，且存在分块效应。首先将输入图像在Contourlet变换(CT)域稀疏表示，并对CT分解系数进行分块压缩感知；再对压缩采样线性加权融合；最后用迭代阈值投影(ITP)方法重构融合图像，并消除分块效应。提出了基于Contourlet变换域分块压缩感知(CTBCS)的遥感图像压缩融合方法，并给出算法的详细实现流程。基于BCS和CTBCS进行压缩采样，再用ITP算法进行图像重构，仿真结果显示，与BCS相比，CTBCS采样有效考虑了图像的全局特性，基于CTBCS的ITP重构收敛速度更快，重构计算复杂度更小，重构精度更好，对应的重构图像峰值信噪比(PSNR)更高；实际资料测试结果表明，基于CTBCS的压缩融合效果比基于BCS的压缩融合效果更好，更接近常规CT融合效果。CTBCS压缩融合用较少量采样点获得与常规CT相比拟的融合结果，有效实现了大数据量遥感图像的压缩融合。