针对时间序列图像化缺少时间关联关系与空间位置关系的问题，提出面向时间序列的混合图像化循环胶囊神经网络（FIR-Capsnet）以融合并提取时间序列图像的时空信息。首先通过格拉姆角场（GAF）、马尔可夫跃迁场（MTF）与重现图（RP）方法捕获时间序列图像的多水平时空特征；然后利用胶囊神经网络的旋转不变性与路由迭代算法学习时间序列图像的空间关系；最后引入长短时记忆（LSTM）网络的门机制学习时间序列数据隐含的时间关联性。实验结果表明，FIR-Capsnet在30个UCR公开数据集上取得15次胜利；并且在人体活动识别（HAR）数据集上相较于Fusion-CNN、FIR-Capsnet的分类准确率提高7.2个百分点，说明了FIR-Capsnet处理时序数据的优势。

针对现有无线射频识别(RFID)组证明协议易受到重放、跟踪等安全威胁及组证明效率较低的问题，提出了基于秘密共享密钥树的RFID组证明协议。协议设计了基于秘密共享方案的组证明密钥结构，将组密钥多次拆分生成密钥树增加了密钥结构的复杂度，加大了攻击者试图恢复组密钥的难度，提高了安全性；阅读器与每个标签只需一次交互便可以完成标签合法性认证及组证明信息的收集，提高了组证明效率。表明该协议较联合证明协议、基于椭圆曲线密码体制(ECC)的组证明协议、基于树的组证明协议等在安全和性能方面具有明显提高。

针对学习者的能力、学习目标、学习时间的个别差异，提出以粒子群优化（PSO）算法为基础的学习资源推荐方法，提供每位学习者个性化的数字课程。综合概念图和知识结构相关理论构建知识点网络结构图，运用项目反应理论（IRT）分析不同学习者的学习目标和能力程度，再应用PSO算法从多样性的学习资源中挑选学习内容，形成个性化的课程推荐给学生。初始化粒子时考虑学习者的学习时间上下限，过滤掉一些不必要的粒子来提高算法效率，在确定最优解位置时，使用Sigmoid函数修正粒子更新速度，保证其在有效范围内。实验结果表明，随着迭代次数增加，所推荐的内容与学习者预定目标差异为0，挑选出的课程与学习者能力差异为0.6，整体差异为0.25，说明所使用的方法具有较好的收敛性，推荐的学习资源能够满足学习者要求。