在医用塑瓶的瓶身气泡检测时，瓶身气泡位置的任意性、气泡大小的不确定性以及气泡特征与瓶身特征之间的相似性增加了气泡缺陷的检测难度。针对上述气泡缺陷检测难点问题，提出了一种基于改进快速分割卷积神经网络(Fast-SCNN)的实时分割算法。该分割算法的基础框架为Fast-SCNN，而为弥补原有网络分割尺寸的鲁棒性不足，借鉴了SENet的通道间信息的利用与多级跳跃连接的思想，具体为网络进一步下采样提取深层特征，在解码阶段将上采样操作融合SELayer模块，同时增加两次与网络浅层的跳跃连接。设计四组对比实验，在气泡数据集上以平均交并比（MIoU）与算法单张分割时间作为评价指标。实验结果表明，改进Fast-SCNN的综合性能最好，其MIoU为97.08%，其预处理后的医用塑瓶的平均检测时间为24.4 ms，其边界分割准确率较Fast-SCNN提升了2.3%，增强了对微小气泡的分割能力，而且该网络的MIoU相较现有的U-Net提升了0.27%，时间上降低了7.5 ms，综合检测性能远超过全卷积神经网络(FCN-8s)。该算法能够有效地对较小的、边缘不清晰的气泡进行分割，满足对气泡缺陷实时分割检测的工程要求。

针对人工检测安瓿瓶包装质量时存在的速度慢以及受主观因素影响导致的准确率低等问题，提出一种机器视觉和轻量级卷积神经网络结合的安瓿瓶包装质量检测方法。首先，采用机器视觉中基于阈值分割以及仿射变换的方法对待测图片进行阈值处理、倾斜校正和安瓿瓶区域的裁剪；然后，根据图像特点以及缺陷识别要求设计分类算法的网络结构；最后，采集生产现场图片构建安瓿瓶包装缺陷数据集，之后对提出的安瓿瓶包装缺陷识别网络进行了验证，并测试了部署在Jetson Nano嵌入式平台上的算法的准确率及检测速度。实验结果表明：以每盒五支装的产品为例，所提安瓿瓶包装质量检测算法平均每盒耗时70.1 ms，即可达14盒/秒，而准确率为99.94%，能够实现在Jetson Nano嵌入式平台上的在线高精度安瓿瓶包装质量检测。

针对传统链路层安全机制不能从根本上保护无线通信系统信息传输安全的问题，提出了一种基于正交频分复用（OFDM）系统并行调制特性和物理层安全的并行插值加密算法。首先，根据OFDM系统调制的子载波数目确定插入符号个数，并通过密钥控制生成插入符号位置；然后，取出对应插入位置前后的原OFDM符号，并计算其平均值作为插入符号；最后，在反快速傅里叶变换（IFFT）后完成伪随机插值。与传统链路层安全机制相比，所提算法能实现调制符号整体加密，保证了信令、标志及数据信息的安全，并有效降低了算法实现复杂度。仿真实验结果表明，该算法能有效抵抗各种窃听攻击，对通信系统固有性能影响小，能较好地适应高斯信道和多径信道，且表现出一定的抗多径衰落能力。

针对推荐系统中普遍存在的数据稀疏和冷启动等问题，提出一种综合评分和信任关系的社会化推荐算法。首先对网络中新用户的初始信任值进行合理赋值，有效地解决了新用户的信任冷启动问题。鉴于用户的喜好会受其朋友的影响，推荐模型又利用朋友之间的信任矩阵对用户自身的特征向量进行修正，解决了用户特征向量的精准构建及信任传递问题。实验结果表明，所提算法较传统的社会网络推荐算法在性能上有显著提高。

针对带有时域约束(包含控制输入约束、状态约束或两者的混合约束)的线性系统，在线性矩阵不等式(LMI)优化框架下，提出了一种非脆弱H∞状态反馈控制器设计方法。首先通过初始条件和外部干扰能量的假设确定一个能包含系统所有可能状态的固定椭圆域，然后得到控制器增益在一定范围内摄动情况下确保闭环系统满足时域约束的充分条件，进而转化为相应的矩阵不等式，详细地给出了推导过程。最终时域约束线性系统的非脆弱H∞控制问题可转化为求解多目标的LMI优化问题。将该方法用于质量-弹簧-阻尼系统的干扰抑制控制。仿真实验结果表明：利用该方法设计的控制器能够在满足时域约束的条件下，提高闭环系统对控制器增益摄动的鲁棒性。

针对传统协同过滤推荐算法的数据稀疏性及恶意评分等问题，提出了一种融合信任度与矩阵分解技术实现社会网络推荐的方法。首先通过计算节点的声望值与偏见值发现网络中的不可信节点，并将其评分权重进行弱化。然后将用户－评分矩阵与信任度矩阵相结合，实现社会网络环境下的协同推荐。实验表明，相对于传统的协同过滤算法，该算法可以消减虚假评分或恶意评分给推荐系统带来的负面影响，有效地缓解数据稀疏性与冷启动问题，显著提高推荐系统的推荐质量。

针对全局最近邻离群点检测算法的效率问题,为了能够在数据集中快速准确地检测离群点,运用属性约简技术,将离群点的搜索简约到较小的最具代表性的属性子空间中进行,从而有效降低属性空间搜索的复杂度。在此基础上,通过计算基于近邻的加权离群因子实现离群点的检测并提出了相应的算法。实验表明,该离群点算法具有较好的适应性和有效性。