针对目前的分数阶非线性模型图像特征提取能力不足导致分割精度较低的问题，提出一种基于分数阶网络和强化学习（RL）的图像实例分割模型，用来分割出图像中目标实例的高质量轮廓曲线。该模型共包含两层模块：1）第一层为二维分数阶非线性网络，主要采用混沌同步方法来获取图像中像素点的基础特征，并通过根据像素点间的相似性进行耦合连接的方式获取初步的图像分割结果；2）第二层通过RL思想将图像实例分割建立为一个马尔可夫决策过程（MDP），并利用建模过程中的动作-状态对、奖励函数和策略的设计来获取图像的区域结构和类别信息。最后将第一层获取到的像素特征和初步的图像分割结果与第二层获取到的区域结构和类别信息联合起来进行实例分割。在Pascal VOC2007 和Pascal VOC2012数据集上的实验结果表明，这种基于连续决策的图像实例分割模型与传统的分数阶模型相比，平均精度（AP）至少提升了15个百分点，不仅能够获取图像中目标物体的类别信息，而且进一步提升了对图像轮廓细节和细粒度信息的提取能力。

现有的有向图聚类算法大多基于向量空间中节点间的近似线性关系假设，忽略了节点间存在的非线性相关性。针对该问题，提出一种基于核非负矩阵分解（KNMF）的有向图聚类算法。首先，引入核学习方法将有向图的邻接矩阵投影到核空间，并通过特定的正则项约束原空间及核空间中节点间的相似性。其次，提出了图正则化核非对称NMF算法的目标函数，并在非负约束条件下通过梯度下降方法推导出一个聚类算法。该算法在考虑节点连边的方向性的同时利用核学习方法建模节点间的非线性关系，从而准确地揭示有向图中潜在的结构信息。最后，在专利-引文网络（PCN）数据集上的实验结果表明，簇的数目为2时，和对比算法相比，所提算法将DB值和DQF值分别提高了约0.25和8%，取得了更好的聚类质量。