航空发动机损伤是影响飞行安全的重要因素。当前基于计算机视觉的发动机孔探图像损伤检测存在两个主要问题：一是孔探图像背景复杂，使得模型对损伤的检测精度较低；二是孔探图像数据来源受限，导致模型可检测类别较少。为解决这两个问题，提出了基于Mask R-CNN的二分类到多分类递进式航空发动机损伤图像检测网络。通过在Mask R-CNN中增加二分类检测分支，首先对图像中的损伤进行二分类检测并对定位坐标进行回归优化；其次使用原始检测分支递进地进行多分类检测，以进一步回归优化损伤的检测结果并确定损伤类型；最后根据多分类检测的结果，通过Mask分支对对损伤进行实例分割。为了增加模型检测类别及验证方法的有效性，构建了包含八种损伤类型，共1 315张孔探图像的数据集。在该集合上进行的训练和测试结果表明，多分类检测的平均精度（AP）和AP75与Mask R-CNN相比分别提高3.34%、9.71%，可见所提方法能够有效提高对孔探图像中的损伤的多分类检测精度。

现有的大多数网络表示学习方法很难兼顾网络中丰富的结构信息和属性信息，导致其后续任务，如分类、聚类等的效果不佳。针对此问题，提出一种基于自编码器的多视图属性网络表示学习模型（AE-MVANR）。首先，将网络的拓扑结构信息转化为拓扑结构视图（TSV），通过计算节点间相同属性共现频率来构造属性结构视图（ASV）；然后，在两个视图上分别利用随机游走算法得到若干节点序列；最后，经过自编码器训练得到的序列，从而得到融合了结构信息和属性信息的节点表示向量。在几个真实数据集上进行了分类、聚类任务的大量实验，结果表明，所提AE-MVANR优于常用的仅基于网络结构的和同时基于网络结构信息及节点属性信息的网络表示学习方法，具体来说该模型的分类准确率最高提升43.75%，而其聚类结果的标准化互信息（NMI）和轮廓系数（Silhouette Coefficient）指标最高增幅分别为137.95%和1 314.63%，戴维森堡丁指数（DBI）最大降幅达45.99%。

在航空发动机孔探图像缺陷检测任务中，缺陷区域样本数量远少于正常样本数量，且缺陷样本无法覆盖整个样本空间，导致检测算法泛化能力较差。针对上述问题，提出了一种基于风格迁移技术的交互式数据扩展方法。首先，通过交互界面选择背景图像和缺陷目标，并根据背景图像指定需要粘贴的目标的大小、角度和位置等信息；其次，通过风格迁移技术将背景图像的风格迁移到目标图像上，使得背景图像和待检测目标具有相同的风格；最后，利用泊松融合算法对融合区域的边界进行修正，以达到连接区域自然过渡的效果。通过二分类和缺陷检测验证了该方法的有效性。在包含真实图像和扩展后图像的二分类实验中，测试人员的平均分类错误率达到了44.0%；而在基于Mask R-CNN模型的检测任务中，所提方法的检测和分割平均精度（AP）较传统方法分别提高了99.5%和91.9%。

传统的类别驱动方法只考虑类别间的关联或是将其组织成扁平或层次结构，而项目和类别对应关系复杂，其他信息容易被忽略。针对这个问题提出基于组合类别空间的随机游走推荐算法，更好地组织了项目类别信息、缓解了数据稀疏。首先，建立一个用哈斯图表示的项目组合类别空间，将项目和类别复杂的一对多关系映射成一对一的简单关系，并表示用户上下层次、同层次及跨层次的项目类别间的跳转；接着，定义组合类别空间的语义关系及链接、偏好两种语义距离，更好地定性、定量描述用户动态偏好的变化；然后，结合组合类别空间上用户浏览图的语义关系、语义距离、用户行为跳转、跳转次数、时序、评分等各种信息，利用随机游走建立用户个性化类别偏好模型；最后，根据用户个性化偏好完成基于用户的协同过滤项目推荐。在MovieLens数据集上的实验显示，与基于用户的协同过滤（UCF）、基于类别关联的推荐模型（UBGC和GENC）相比，所提算法推荐的F1-score提高了6~9个百分点，平均绝对误差（MAE）减小了20%~30%；与基于类别层次潜在因子模型（CHLF）相比，所提算法推荐的F1-score提高了10%。实验结果表明，所提算法在排序推荐上优于传统基于类别的推荐算法。

Shuffle性能是影响大数据集群性能的重要指标，Spark自身的Shuffle内存分配算法试图为内存池中的每一个Task平均分配内存，但是在实验中发现，由于各Task对于内存需求的不均衡导致了内存的浪费和运行效率较低的问题。针对上述问题，提出一种改进的Spark Shuffle内存分配算法。该算法根据Task的内存申请量和历史运行数据将Task按内存需求分为大小两类，对小内存需求型Task作"分割化"处理，对大内存需求型Task基于Task溢出次数和溢出后等待时间分配内存。该算法充分利用内存池的空闲内存，可以在数据倾斜导致的Task内存需求不均衡的情况下进行Task内存分配的自适应调节。实验结果表明，改进后算法较原算法降低了Task的溢出率，减少了Task的周转时间，提高了集群的运行性能。

座位优化是航空公司增加收益的有效方法，航班网络座位优化是目前主要的研究方向。针对起始地目的地舱位票价（ODF）和座位数组合的复杂性，传统的优化模型由于决策变量数多，难以用于实际计算；改进的线性规划方法在一定程度上改善了模型的实用性，但在求解大规模的网络问题时，计算时间长，复杂度高。采用蚁群算法求解网络座位优化问题能克服以上不足。实验结果表明，蚁群算法能快速得到令人满意的解；同时，蚁群算法简化了问题复杂度，思想简单，易于实现。

基于主体组织的多主体问题求解可以降低问题求解难度和交互复杂性,其中多主体组织的形成规则和多主体的协作与规划是多主体合作的关键。文中提出了一种新的多主体组织模型和一组相关的组织原则,给出了组织规划的方法,提出了多主体组织的形成与消亡形式,并利用扩展的时序逻辑和π演算对上述结论进行了形式化描述,完善了基于组织结构的多主体协作理论,改进了多主体理论研究和多主体编程实践之间脱节的现状。