针对纹身图像的特点和卷积神经网络（CNN）在全连接层对图像特征抽取能力的不足问题，提出一种三通道的卷积神经网络纹身图像检测算法，并进行了三方面的改进工作。首先，针对纹身图像的特点改进图像预处理方案；其次，设计了一个基于三通道全连接层的卷积神经网络进行特征提取，并对特征建立索引，有效地提高了网络对不同尺度下空间信息的提取能力，实现了对纹身图像的高效检测；最后，通过两个数据集验证了算法的泛化能力。实验结果表明，对NIST数据集所提预处理方案比Alex方案有总正确率提高0.17个百分点，纹身图像正确率提高0.29个百分点。在所提预处理方案下，提出的算法在标准的NIST纹身图像集上具有明显的优势，正确率从NIST公布的最优值96.3%提高到99.1%，提高了2.8个百分点；相对于传统的CNN算法，正确率从98.8%提高到99.1%，提高了0.3个百分点。在Flickr数据集上也有相应的性能提升。

针对传统AVL(Adelson-Velskii and Landis)树重平衡算法代码量大、流程复杂、调整率过高的问题,提出一种统一重平衡算法,并提出广义AVL树的概念。统一重平衡算法能对AVL树的失衡节点进行自动分类、调整,取消了传统重平衡方法中的四种旋转操作。广义AVL树放松了AVL树的平衡约束,允许左右子树树高相差不超过N(N≥1),当更新操作(插入/删除)执行后,广义AVL树只在平衡约束条件不满足时采用统一重平衡算法进行调整。理论分析与实验结果表明,广义AVL树的调整率随着N的增大而显著降低:N为5时,调整率低于4%;N为13时调整率低于千分之一。广义AVL树的调整率远低于红黑树等经典数据结构,适合并发应用。