阶段性时间序列数据是一种生活中常见数据形式，它描述一个包含多个状态转换的事件，每个状态都具有时间属性，且状态之间的转换存在多条路径。针对现有的可视化方法不能有效展示各个状态之间变化以及状态间路径的时间属性信息的问题，提出一个全新的基于螺旋图的可视化模型。该模型使用一个圆环表示一个状态，一个事件的多个状态采用一组同心圆表示，状态间可达路径采用螺旋线表示，螺旋线的起始位置由其起始时间与起始状态圆环决定，终止位置由其结束时间与结束状态圆环决定。针对路径过多导致路径覆盖较为严重的问题，该模型采用基于长尾函数的透明算法，根据一条路径与其他路径的交叉数，为每条路径分配透明度。该模型还提供了路径的筛选、高亮、查看详细信息、缩放等功能，实现了灵活的交互操作。通过对中国铁路列车站点数据进行实验，实验结果表明该模型能够在有限的空间中有效地展示站点间运行任意时长的列车，并且在列车较多的情况下降低了螺旋线交叉重叠带来的杂乱度，同时有效地保留了列车的运行信息，能够为用户路线的选择提供决策支持，说明了该模型对阶段性时间序列数据可视化的有效性。

机器人足球在动态的环境中运动，存在未知的外界干扰；比赛过程中，又常常与机器人等障碍物发生碰撞，从而引起运动位置和方向的突变。针对上述情况，提出一种基于强跟踪滤波(STF)和H∞滤波计算的足球位置预测算法。通过引入时变渐消因子，既能提高状态突变的跟踪能力，又能避免对干扰信号做出假设。在中型组机器人足球比赛平台上进行实验，验证了该算法的有效性。