现有的科研合作潜力预测方法使用特征工程来人工提取科研合作网络中作者的浅层静态属性，忽略了科研合作网络中异构实体间的关联关系。针对以上不足，提出融合科研合作网络中的多种实体潜在属性信息的动态合作潜力预测（CPP）模型，在提取异构实体的属性的同时考虑了学者与学者之间合作关系的结构特征，并且通过协同优化的方式优化模型，实现了在为学者进行科研合作者推荐的同时预测科研合作潜力的目标。为验证所提模型的有效性，搜集整理了发表在中国计算机学会（CCF）推荐期刊中的50余万篇论文信息以及相关实体的完整属性信息，并采用滑窗法构建了不同时间段的时序合作异构网络，以提取科研合作网络演化过程中的各实体的动态属性信息。此外，为提高所提模型的泛化性以及实用性，随机输入不同时段的数据对模型进行训练。实验结果表明，相较于次优的多层采样聚合图神经网络（GraphSAGE），CPP模型在合作者推荐任务上的分类精确度提高了1.47个百分点；在合作潜力预测任务上的测试误差降低了1.23%。说明了CPP模型能更精准地为学者推荐优质合作者。

针对现有三维形貌重建模型无法有效融合全局时空信息的问题，设计深度聚焦体积（DFV）模块保留聚焦和离焦的过渡信息，并在此基础上提出全局时空特征耦合（GSTFC）模型提取多景深图像序列的局部与全局的时空特征信息。首先，在收缩路径中穿插3D-ConvNeXt模块和3D卷积层，捕捉多尺度局部时空特征，同时，在瓶颈模块中添加3D-SwinTransformer模块捕捉多景深图像序列局部时序特征的全局关联关系；然后，通过自适应参数层将局部时空特征和全局关联关系融合为全局时空特征，并输入扩张路径引导生成聚焦体积；最后，聚焦体积通过DFV提取序列权重信息，并保留聚焦与离焦的过渡信息，得到最终深度图。实验结果表明，GSTFC在FoD500数据集上的均方根误差（RMSE）相较于最先进的全聚焦深度网络（AiFDepthNet）下降了12.5%，并且比传统的鲁棒聚焦体积正则化的聚焦形貌恢复（RFVR-SFF）模型保留了更多的景深过渡关系。