针对单一特征表示的局限性会导致细粒度图像分类准确度不高的问题，提出了一种基于卷积神经网络（CNN）和尺度不变特征转换（SIFT）的多特征组合表示方法，综合考虑对目标整体、关键部位和关键点的特征提取。首先，分别以细粒度图像库中的目标整体和头部区域训练CNN得到两个网络模型，用来提取目标的整体和头部CNN特征；然后，对图像库中所有目标区域提取SIFT关键点并通过 K均值（ K-means）聚类生成码本，再将每个目标区域的SIFT描述子通过局部特征聚合描述符（VLAD）参照码本编码为特征向量；最后，组合多种特征作为最终的特征表示，采用支持向量机（SVM）对细粒度图像进行分类。使用该方法在CUB-200-2011数据库上进行实验，并与单一的特征表示方法进行了比较。实验结果表明，该方法与基于单一CNN特征的细粒度图像分类相比提升了13.31%的准确度，证明了多特征组合对细粒度图像分类的积极作用。

针对网格计算提出了一种新的基于模糊多目标决策的资源分配策略。该策略以用户满意度为主要目标，通过组建模糊多目标决策模型来解决用户的资源选择问题。详细描述了该策略的实现方法，通过对模型的分析，表明了该模型不但可以满足用户的要求，还可以提高资源的分配成功率和利用率。