超声成像因其便捷、廉价、无辐射等优点被广泛应用于临床诊断中，然而图像中的斑点噪声可能对临床诊断或后续图像分析产生不利影响。作为一种典型的去噪技术，在利用非局部平均滤波（NLMF）对超声图像进行去斑时，会存在时耗高、滤波参数不易设置等不足，因此，提出一种多尺度快速非局部平均滤波（MF-NLMF）算法用来去除超声图像的斑点噪声。首先提出快速非局部平均滤波（F-NLMF）算法，利用互相关滤波技术减少运算时耗；接着设置多种窗口参数获得多幅去斑结果，而模型参数值可根据窗口尺寸自适应调节；最后将多幅去斑结果进行融合得到最终的去斑图像。实验结果表明：在相同实验条件下，与传统NLMF算法相比，F-NLMF算法的运算时间至少减少了96.04%；而MF-NLMF算法与迭代贝叶斯非局部均值滤波（IBNLMF）等算法相比，去斑图像的峰值信噪比（PSNR）值、特征相似度测度（FSIM）值、对比度噪声比（CNR）和信噪比（SNR）分别提高了0.73 dB、0.011、0.000 5、0.001 6以上。

针对大规模多输入多输出（MIMO）系统中，最小均方误差（MMSE）检测算法在可重构阵列结构上适应性差、计算复杂度高和运算效率低的问题，基于项目组开发的可重构阵列处理器，提出了一种基于MMSE算法的并行映射方法。首先，利用Gram矩阵计算时较为简单的数据依赖关系，设计时间上和空间上可以高度并行的流水线加速方案；其次，根据MMSE算法中Gram矩阵计算和匹配滤波计算模块相对独立的特点，设计模块化并行映射方案；最后，基于Xilinx Virtex-6开发板对映射方案进行实现并统计其性能。实验结果表明，该方法在MIMO规模为 \mathrm{128} \times \mathrm{4} 、 \mathrm{128} \times \mathrm{8} 和 \mathrm{128} \times \mathrm{16} 的正交相移键控（QPSK）上行链路中，加速比分别2.80、4.04和5.57；在 \mathrm{128} \times \mathrm{16} 的大规模MIMO系统中，可重构阵列处理器比专用硬件减少了42.6%的资源消耗。

针对经典的帝王蝶优化（MBO）算法不能很好地处理连续型数据，以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题，提出了基于邻域粗糙集（NRS）和MBO的特征选择算法。首先，将局部扰动和群体划分策略与MBO算法结合，并构建传输机制以形成一种二进制MBO（BMBO）算法；其次，引入突变算子增强算法的探索能力，设计了基于突变算子的BMBO（BMBOM）算法；然后，基于NRS的邻域度构造适应度函数，并对初始化的特征子集的适应度值进行评估并排序；最后，使用BMBOM算法通过不断迭代搜索出最优特征子集，并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能，并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明，在5个基准函数上，BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化（PSO）算法；在UCI数据集上，与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比，所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好，能够选择特征数少且分类精度高的最优特征子集。

为了对全球定位系统(GPS)设备采集到的移动对象原始轨迹数据进行简化，提高轨迹数据的使用效率，降低移动终端的通信代价和计算开销，提出了一种基于最小边界扇形(MBS)的移动对象轨迹实时化简算法。该算法不同于用一条折线来近似原始轨迹的方法，它利用扇形预测范围来估计、简化原始轨迹，在角度和距离两个层面上对简化误差进行控制。提出了新的误差度量方法——基于等极径的误差度量方法，并讨论了GPS定位误差对简化算法的影响。实验结果表明，所提算法的简化轨迹高效、稳定，所得到的简化轨迹与原始轨迹之间误差较小(不超过误差阈值的20%)，对GPS定位误差有较好的容错能力。