目前基于相似度的移动目标轨迹预测算法一般根据数据的时空特性进行分类，无法体现算法自身的特点，为此提出一种基于算法特征的分类方法。轨迹相似度算法通常需要先计算两点之间的距离，再开展后续计算，而常用的欧氏距离（ED）只适用于目标在小区域范围内移动的问题。针对现有基于相似度的轨迹预测算法无法适用于移动范围比较大的海上目标轨迹预测的问题，提出使用大地距离代替ED进行相似度计算。首先，对轨迹数据进行预处理和分段；其次采用离散弗雷歇距离（FD）作为相似性度量；最后，利用模拟数据和实际数据进行测试。实验结果表明，当海上目标移动范围较大时，采用ED算法可能会得到不正确的预测结果，而所提算法可输出正确的目标轨迹预测结果。

为了从海量的道路交通图像中检索出违反交通法规的图像，提出了一种特定目标自识别的语义图像检索方法。首先，通过交通领域专家建立交通领域本体及道路交通规则描述；然后，通过卷积神经网络（CNN）对交通图像的特征进行提取，并结合改进的支持向量机决策树（SVM-DT）算法对图像特征进行分类的策略，对交通图像中的特定目标及目标间空间位置关系进行自动识别，并映射成为相应的本体实例及其对象之间的关联关系（规则实例）；最后，利用本体实例和规则实例，通过推理得到语义检索结果。实验结果表明，相比关键字和本体交通图像语义检索方法，所提方法具有更高的准确率、召回率和检索效率。

针对传统萤火虫算法(FA)中存在的过早收敛和易陷入局部最优解等问题,提出了一种基于模拟退火机制的多种群萤火虫算法(MFA_SA):将萤火虫种群平均分为参数不同的多个子种群。为了防止算法陷入局部最优解,利用模拟退火机制大概率接受较好的解,小概率接受较差的解。同时,在种群寻优的过程中引入可变的距离权重,通过萤火虫算法的迭代次数动态调整萤火虫的"视野"范围。利用5个标准测试函数对该算法进行了对比仿真测试,结果表明,该算法在4个测试函数中均能寻找到全局最优解,并且在最优值、平均值、方差等指标上均比对比算法高出多个数量级,验证了新算法的有效性。