传统手工特征很大程度上依赖于行人的外观特征，而深度卷积特征作为高维特征，直接用来匹配图像会消耗大量的时间和内存，并且来自较高层的特征很容易受到行人姿势背景杂波影响。针对这些问题，提出一种基于深度多视图特征距离学习的方法。首先，提出一种新的整合和改善深度区域的卷积特征，利用滑框技术对卷积特征进行处理，得到低维的深度区域聚合特征并使其维数等于卷积层通道数；其次，通过交叉视图二次判别分析方法，从深度区域聚合特征和手工特征两个角度出发，提出一种多视图特征距离学习算法；最后，利用加权融合策略来完成传统特征和卷积特征之间的协作。在Market-1501和VIPeR数据集上的实验结果显示，所提融合模型的Rank1值在两个数据集上分别达到80.17%和75.32%；在CUHK03数据集新分类规则下，所提方法的Rank1值达到33.5%。实验结果表明，通过距离加权融合之后的行人重识别的精度明显高于单独的特征距离度量取得的精度，验证了所提的深度区域特征和算法模型的有效性。

针对现有切换机制和算法存在切换延迟较大、丢包率较高、不够稳定可靠等问题，提出一种双链路通信机制，给出一种双链路选择和数据传输算法，通过平滑处理获取精确信号质量，根据差值阈值控制两条通信链路在适当时机进行切换，并使用双线程进行数据转发。实验结果表明，与单链路机制相比，双链路机制不会出现延迟脉冲，丢包率接近于零，平均吞吐量提升了20%，可以应用到轨道交通、高速公路等具有高速移动子网的应用场合。

移动Ad Hoc网络组播路由协议MAODV中，组播树在节点移动速度较快的情况下会频繁重构，使得路由开销、传输时延显著增大。针对基于邻居节点变化率的稳定路径选择方法，提出一种新的节点邻居变化率的检测机制，不需要周期性地发送Hello消息，并在此基础上设计和仿真实现了基于稳定路径的MAODV协议SP-MAODV，新协议选择的路径稳定性好且跳数小。最后从数据分组传输成功率、路由开销、平均端到端时延和时延抖动四个方面对两个协议进行了仿真比较，结果表明SP-MAODV协议减少了路径中断概率，提高了协议性能。