针对基于循环神经网络（RNN）的人体运动合成方法存在首帧跳变，进而影响生成运动的质量的问题，提出一种带有隐状态初始化的人体运动合成方法，将初始隐状态作为自变量，利用神经网络的目标函数作为优化目标，并使用梯度下降的方法进行优化求解，以得到一个合适的初始隐状态。相较于编码器-循环-解码器（ERD）、残差门控循环单元（RGRU）模型，所提方法在首帧的预测误差分别减小63.51%和6.90%，10帧的总误差分别减小50.00%和4.89%。实验结果表明，该方法无论是运动合成质量还是运动预测精度都优于不进行初始隐状态估计的方法；它通过准确估计基于RNN的人体运动模型的首帧隐状态可提升运动合成的质量，并且为实时安全监测中的动作识别模型提供可靠的数据支持。

针对卷积结构的深度学习模型在小样本学习场景中泛化性能较差的问题，以AlexNet和ResNet为例，提出一种基于小样本无梯度学习的卷积结构预训练模型的性能优化方法。首先基于因果干预对样本数据进行调制，由非时序数据生成序列数据，并基于协整检验从数据分布平稳性的角度对预训练模型进行定向修剪；然后基于资本资产定价模型（CAPM）以及最优传输理论，在预训练模型中间输出过程中进行无需梯度传播的正向学习并构建一种全新的结构，从而生成在分布空间中具有明确类间区分性的表征向量；最后基于自注意力机制对生成的有效特征进行自适应加权处理，并在全连接层对特征进行聚合，从而生成具有弱相关性的embedding向量。实验结果表明所提出的方法能够使AlexNet和ResNet卷积结构预训练模型在ImageNet 2012数据集的100类图片上的Top-1准确率分别从58.82%、78.51%提升到68.50%、85.72%，可见所提方法能够基于小样本训练数据有效提高卷积结构预训练模型的性能。