针对计算机断层成像（CT）系统中，全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题，提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点，首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型；然后，使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束；最后，以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明，在不含噪声的稀疏重建条件下，提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中，该算法在30次迭代时已得到接近最终收敛的结果，且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像，同时改善了TV迭代模型的细节重建能力，且对噪声有一定的抑制作用。

为了解决多主体系统(MAS)的开放性、动态性和不确定性所带来的主体信任问题，提出一种基于社区发现的信任评估方法。首先使用G-N算法(GIRVAN M, NEWMAN M E J. Community structure in social and biological networks. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(12):7821-7826)发现系统中的社区结构；然后根据推荐主体的推荐信任分别计算被评估主体的社区内部、外部声誉，进而结合直接信任形成主体的综合信任度；最后根据协作反馈实现主体信任度的动态调整。仿真实验结果表明，基于社区发现的信任评估方法能有效评估主体信任度，通过引入反馈机制能进一步提高交互成功率。

基于图的关联规则挖掘算法是一种通过构建关联图并直接生成候选频繁项集，进而验证得到所有频繁项集的算法。在该算法中，对候选项集的验证操作占用了大量的时间，为此提出了改进算法。改进主要体现在两个方面：按支持度降序对频繁1项重新编号再构建关联图；利用Apriori性质删减用来生成候选项集的冗余扩展项节点。实验结果表明，在最小支持度阈值较小时，改进算法有效减少了冗余的候选频繁项集，提高了算法的性能。