在目标检测领域里通常希望在拥有大量标记的场景中训练好的模型能够应用在无标记的其他场景中，但是不同的域分布往往是不同的，这样往往导致域迁移时模型性能的急剧下降。为了提高域迁移时模型的目标检测性能，通过两个层级来解决域迁移问题，包括全局层级迁移和局部层级迁移。这两种层级迁移分别对应不同的特征对齐方式，即全局层级采用选择性对齐方式，局部层级采用完全对齐方式。所提域迁移框架基于单点多盒检测器（SSD）模型，在全局和局部层级分别配置相应的域适配器以减少域间差异，通过对抗网络算法实现具体训练，再通过一致性正则化来进一步提高模型的域迁移性能。通过大量实验验证了提出的域迁移模型的有效性，结果表明同目前常见的域适应-快速区域卷积（DA-FRCNN）模型、对抗识别域适应（ADDA）模型以及动态对抗适应网络（DAAN）模型等三种域迁移模型相比，该模型在不同数据集上的均值平均精度（mAP）可以提高5%~10%。

具有学习能力和动态适应环境变化的自主角色已经成为商业游戏的一个卖点,采用传统的人工智能方法往往无法实现复杂的自主角色的行为,基于此,采用非确定性的神经网络和遗传算法来实现自主角色已经成为当前游戏人工智能的一个热点。分析了游戏自主角色的特点, 建立了NPC的自主认知模型,同时采用神经网络和遗传算法相结合的游戏自主角色的设计思路,利用遗传算法优化神经网络的方法设计了一个自主角色的框架,建立了一个游戏角色的自学习模型,通过仿真实验表明采用神经网络和遗传算法相结合的非确定性算法形成的游戏角色的自学习系统要比传统的NPC角色更加自主和智能化。