针对语音情感数据集规模小且数据维度高的特点，为解决传统循环神经网络（RNN）长程依赖消失和卷积神经网络（CNN）关注局部信息导致输入序列内部各帧之间潜在关系没有被充分挖掘的问题，提出一个基于多头注意力（MHA）和支持向量机（SVM）的神经网络MHA-SVM用于语音情感识别（SER）。首先将原始音频数据输入MHA网络来训练MHA的参数并得到MHA的分类结果；然后将原始音频数据再次输入到预训练好的MHA中用于提取特征；最后通过全连接层后使用SVM对得到的特征进行分类获得MHA-SVM的分类结果。充分评估MHA模块中头数和层数对实验结果的影响后，发现MHA-SVM在IEMOCAP数据集上的识别准确率最高达到69.6%。实验结果表明同基于RNN和CNN的模型相比，基于MHA机制的端到端模型更适合处理SER任务。

针对云南天文台拍摄的高度模糊的太阳斑点图像采用现有深度学习算法恢复难度大、高频信息难以重建等问题，提出了一种基于生成对抗网络（GAN）与梯度信息联合的去模糊方法来重建太阳斑点图，并很好地恢复出图像的高频信息。该方法由一个生成器与两个鉴别器构成：首先，生成器采用特征金字塔网络（FPN）框架来获取图像多尺度特征，再将这些特征分层次输入梯度分支以梯度图的形式捕获更小的局部特征；然后，联合梯度分支结果与FPN结果共同重建出具有高频信息的太阳斑点图像；其次，在常规对抗鉴别器的基础上，增加了一个鉴别器用于保证由梯度分支产生的梯度图更加真实；最后，引入一个包括像素内容损失、感知损失和对抗损失的联合训练损失来引导模型进行太阳斑点图像高分辨率重建。实验结果表明，进行图像预处理后的所提方法与现有的深度学习去模糊方法相比，高频信息恢复能力更强，峰值信噪比（PSNR）和结构相似性（SSIM）指标均有显著提高，分别达到27.801 0 dB与0.851 0，能够满足太阳观测图像高分辨率重建的需要。