随着计算能力的飞速增长、训练数据的不断积累以及非线性激活函数的不断完善，卷积神经网络（CNN）在手写体汉字识别中表现出较好的识别性能。针对CNN识别手写体汉字识别速度慢的问题，将二维主成分分析（2DPCA）与CNN相结合识别手写体汉字。首先，利用2DPCA提取手写体汉字的投影特征向量；然后，将得到的投影特征向量组成特征矩阵；其次，用组成的特征矩阵作为CNN的输入；最后，用Softmax函数进行分类。与基于AlexNet的CNN模型相比，所提方法的运行时间降低了78%，与基于ACNN与DCNN的模型相比，所提方法的运行时间分别降低了80%与73%。实验结果表明，该方法在不降低识别精度的同时，可以减少识别手写体汉字的运行时间。

多Agent协作追捕问题是多Agent协调与协作研究中的一个典型问题。针对具有学习能力的单逃跑者追捕问题，提出了一种基于博弈论及Q学习的多Agent协作追捕算法。首先,建立协作追捕团队，并构建协作追捕的博弈模型；其次,通过对逃跑者策略选择的学习，建立逃跑者有限的Step-T累积奖赏的运动轨迹，并把运动轨迹调整到追捕者的策略集中；最后,求解协作追捕博弈得到Nash均衡解，每个Agent执行均衡策略完成追捕任务。同时,针对在求解中可能存在多个均衡解的问题，加入了虚拟行动行为选择算法来选择最优的均衡策略。C#仿真实验表明，所提算法能够有效地解决障碍环境中单个具有学习能力的逃跑者的追捕问题，实验数据对比分析表明该算法在同等条件下的追捕效率要优于纯博弈或纯学习的追捕算法。

针对多Agent路径规划问题，提出了一个两阶段的路径规划算法。首先，利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点，不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布，提高了算法的全局搜索能力；利用粒子群算法中的自适应惯性权重因子来调节信息素强度 Q值，使其自适应地变化，避免陷入局部最优；对信息素挥发因子 ρ进行调节，提高算法的迭代速度。其次，若多Agent之间存在动态碰撞，利用博弈论构建多Agent之间的动态避障模型，并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题，确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高，与Mylvaganam的多Agent动态避障算法相比，所提算法减小了路径总长度并提高了收敛速度。

编队避障问题是多智能体编队研究的关键问题之一。针对动态环境中多智能体编队避障问题，提出了一种基于人工势场法（APF）与布谷鸟搜索算法（CS）相结合的编队避障方法。首先，在动态队形变换策略的异构模式下，利用APF为多智能体编队中每个智能体规划避障；然后，针对APF在引力增量系数和斥力增量系数设置的局限性，利用CS中的莱维飞行机制思想，来随机搜索得到适应环境的增量系数。Matlab仿真实验结果表明，所提方法能够有效地解决复杂环境下多智能体编队避障问题，使用效率函数对实验数据进行评价及分析，验证了所优化方法的合理性和有效性。

针对路径规划算法收敛速度慢及效率低的问题,提出了一种基于分层强化学习及人工势场的多Agent路径规划算法。首先,将多Agent的运行环境虚拟为一个人工势能场,根据先验知识确定每点的势能值,它代表最优策略可获得的最大回报;其次,利用分层强化学习方法的无环境模型学习以及局部更新能力将策略更新过程限制在规模较小的局部空间或维度较低的高层空间上,提高学习算法的性能;最后,针对出租车问题在栅格环境中对所提算法进行了仿真实验。为了使算法贴近真实环境,增加算法的可移植性,在三维仿真环境中对该算法进行验证,实验结果表明该算法收敛速度快,收敛过程稳定。

交通路口中的各Agent之间的协调问题是一个博弈问题。在有限理性的基础上，利用博弈学习思想，构建多智能体（multi-Agent）博弈学习协调算法，利用此学习协调算法对出行者行为分析并修正，实现城市交通路口的畅通，进而达到区域、全局的交通优化。最后通过实例仿真验证其可行性。

针对人工鱼群算法后期搜索速度慢、不易得到精确解等问题，结合社会学习机制提出一种改进算法。当人工鱼群算法进行到优化后期时，使用群体社会学习机制中的趋同和趋异行为进行寻优。两种行为搜索速度快，寻优精度高，且趋异现象提高了群体的多样性，增强了跳出局部极值的能力，在一定程度上改善了原算法的搜索性能。仿真实验结果表明了改进算法的可行性和有效性。

针对带有时间约束的、可以动态加入到环境中的复杂任务,建立了一种基于对策论的任务分配模型,并给出了一种任务分配方法。该方法中计算机生成角色(CGA)根据自身掌握的局部信息进行行为选择,并使用虚拟行动方法确保CGA快速学习到一个严格纯策略Nash平衡。仿真实验结果表明该方法是合理的,能够有效地解决动态任务的分配问题。

通信是多智能体系统(MAS)之间协调与协作的最有效和最直接的方法,然而通信的代价却限制了该方法的使用。为了减少MAS协调过程中的通信量,提出一种启发式算法,使Agent仅选择能够改善团队期望回报的观察信息进行通信。实验结果证明,对通信信息的选择能够高效的利用通信带宽,有助于提高系统的性能。

二维直方图斜分最大类间交叉熵阈值(TOSMICE)法和二维交叉熵直线型阈值(TMCELT)法是两种有效的分割方法，且都是二维交叉熵阈值法，为了考查二者分割结果是否相同，提出对两种二维交叉熵阈值法的等价性探讨。首先分析两种二维交叉熵阈值法：虽然名称不同但经过证明其分割原理相同，然后对两种选取公式进行推导得到一种最简阈值选取公式，从而证明了二者的等价性，随之提出基于最简公式的一般递推算法，最后将二维直方图分布特性与这种算法有机结合得到新型快速的递推算法。实验结果表明，两种方法获取的阈值相等，分割结果相同；并且与当前二维直方图斜分递推算法相比，所提出的新型递推算法速度更快。

针对矩不变法图像分割算法中存在的问题，提出了一种基于傅里叶谱和矩不变法相结合的图像分割方法。首先依据矩不变原理计算待分割图像的累计灰度分布函数值获取初始阈值，然后对图像直方图进行傅里叶变换，并得到傅里叶谱系数，最后利用该系数和累计灰度分布函数值对初始阈值进行调整，由于傅里叶谱能很好地“匹配”矩不变法获取的阈值，从而能自动调整初始阈值，使分割效果达到最佳。分割实验结果表明，该方法不仅运算速度快，而且有较好的分割效果和普适性。