针对复杂网络环境下网络流监测（分类）问题，为实现多个类别直接分类以及提高学习方法的训练速度，提出了一种随机的人工神经网络学习方法。该方法借鉴平面高斯（PG）神经网络模型，引入随机投影思想，通过计算矩阵伪逆的方法解析获得网络连接矩阵，理论上可证明该网络具有全局逼近能力。在人工数据和标准网络流监测数据上进行了实验仿真，与同样采用随机方法的极限学习机（ELM）和PG网络相比，分析与实验结果表明：1）由于继承了PG网络的几何特性，对平面型分布数据更为有效；2）采用了随机方法，训练速度与ELM相当，但比PG网络快得多；3）三种方法中，该方法更有利于解决网络流监测问题。

基于光滑样条原理，提出一种自适应的多阈值分割算法HistSplineReg，即采用光滑样条回归图像一维直方图，再从回归函数寻找极值从而实现图像的多阈值自动分割。较之现有的阈值分割方法，HistSplineReg具有以下优势：1）设计方法符合人类直觉；2）基于光滑样条设计算法，有理论依据；3）阈值个数及阈值位置可自动选择；4）回归函数可分析求解，计算规模主要集中在矩阵的Cholesky分解，矩阵大小由图像像素水平级决定，而不是图像尺寸；5）只有一个待定参数，该参数用于平衡回归经验误差和回归函数的光滑性。对林火识别问题，实验提供一个经验参数供参考。最后，在红绿蓝颜色（RGB）模式的林火数字图像上进行实验，从灰度图像、多种颜色通道、各通道分割结果合成的彩色图像等方面进行验证，与同样采样回归思想的支持向量回归（SVR）及多项式回归（PolyFit）相比，HistSplineReg方法直观分割效果更好，且三种方法都反映出红色通道信息对林火图像分割效果的影响更为显著。