信念峰值聚类（BPC）算法是一种基于模糊视角的密度峰值聚类（DPC）算法的新变体，它用模糊数学的观点刻画数据的分布特征与相关性。但BPC算法的信念值计算主要基于局部数据点信息，未考察数据集整体的分布和结构，且原始的分配策略鲁棒性弱。针对以上问题，提出一种基于信念子簇切割的模糊聚类算法（BSCC），所提算法结合了信念峰值和谱方法。首先，通过局部信念信息将数据集划分为众多高纯度子簇；其次，将子簇视作新样本，通过簇间的相似关系，利用谱方法进行割图聚类，从而耦合局部信息与全局信息；最后，将子簇内的点分配至子簇所在类簇以完成最终聚类。与BPC算法相比，BSCC在带有多子簇结构的数据集上具有明显优势，如在americanflag数据集和Car数据集上的准确率（ACC）分别提高了16.38个百分点和21.35个百分点。在合成数据集和真实数据集上的聚类实验结果表明，BSCC在调整兰德系数（ARI）、归一化互信息（NMI）和ACC这3个评价指标上整体优于BPC和其他7种聚类算法。

麻醉复苏目标检测模型常被用于帮助医护人员检测麻醉病人的复苏。病人复苏时面部动作的目标较小且幅度不明显，而现有的单点多盒检测器（SSD）难以准确实时地检测病人的面部微动作特征。针对原有模型检测速度低、容易出现漏检的问题，提出一种基于改进SSD的麻醉复苏目标检测方法。首先，将原始SSD的主干网络VGG（Visual Geometry Group）16更换为轻量级的主干网络MobileNetV2，并把标准卷积替换成深度可分离卷积；同时，通过对病人照片的特征提取采用先升维再降维的计算方式减少计算量，从而提高模型的检测速度；其次，将SSD提取的不同尺度特征层中融入坐标注意力（CA）机制，并通过对通道和位置信息加权的方式提升特征图提取关键信息的能力，优化网络的定位分类表现；最后，闭眼数据集CEW（Closed Eyes in the Wild）、自然标记人脸数据集LFW（Labeled Faces in the Wild）和医院麻醉病患面部数据集HAPF（Hospital Anesthesia Patient Facial）这3个数据集上进行对比实验。实验结果表明，所提模型的平均精度均值（mAP）达到了95.23%，检测照片的速度为每秒24帧，相较于原始SSD模型的mAP提升了1.39个百分点，检测速度提升了140%。因此，所提模型在麻醉复苏检测中具有实时准确检测的效果，能够辅助医护人员进行苏醒判定。