现有基于深度学习的恶意代码检测方法存在深层次特征提取能力偏弱、模型相对复杂、模型泛化能力不足等问题。同时，代码复用现象在同一类恶意样本中大量存在，而代码复用会导致代码的视觉特征相似，这种相似性可以被用来进行恶意代码检测。因此，提出一种基于多通道图像视觉特征和AlexNet神经网络的恶意代码检测方法。该方法首先将待检测的代码转化为多通道图像，然后利用AlexNet神经网络提取其彩色纹理特征并对这些特征进行分类从而检测出可能的恶意代码；同时通过综合运用多通道图像特征提取、局部响应归一化（LRN）等技术，在有效降低模型复杂度的基础上提升了模型的泛化能力。利用均衡处理后的Malimg数据集进行测试，结果显示该方法的平均分类准确率达到97.8%；相较于VGGNet方法在准确率上提升了1.8%，在检测效率上提升了60.2%。实验结果表明，多通道图像彩色纹理特征能较好地反映恶意代码的类别信息，AlexNet神经网络相对简单的结构能有效地提升检测效率，而局部响应归一化能提升模型的泛化能力与检测效果。

传统模糊C均值（FCM）聚类算法应用于肝脏CT图像分割时仅考虑像素本身特征，无法解决灰度不均匀造成的影响以及肝脏边界模糊造成的边界泄露的问题。为解决上述问题，提出一种结合空间约束的模糊C均值（SFCM）聚类分割算法。首先，使用二维高斯分布函数构建卷积核，利用该卷积核对源图像进行空间信息提取得到特征矩阵；然后，引入空间约束惩罚项，更新并优化目标函数得到新的迭代方程；最后，通过多次迭代，完成对肝脏CT图像的分割。实验结果表明，SFCM算法分割具有灰度不均匀和边界粘连的肝脏CT图像时得到的肝脏轮廓形状更加规则，准确率达到92.8%，比FCM和直觉模糊C均值（IFCM）算法的分割准确率分别提升了2.3和4.3个百分点，过分割率分别降低了4.9和5.3个百分点。

针对粒子滤波中存在粒子质量低和粒子贫化的问题，提出了一种基于智能粒子滤波的多传感器信息融合算法。该算法分为两个模块，首先，将多传感器数据发送给相应的粒子滤波计算模块，以优化粒子分布为目的更新建议分布密度；然后，在智能粒子滤波模块中对多传感器数据构造完整的似然函数，引入设计的遗传因子将小权重粒子修正为大权重粒子，近似于真实的后验分布，重采样过程中保留了权值较大的粒子，又避免了粒子耗尽问题，进一步保持粒子的多样性，提高了滤波精度，最终得到最优的估计值。根据实船实验的数据进行了验证，将所提算法应用于GPS/SINS/LOG组合导航系统进行仿真计算验证了其有效性。实例仿真结果表明，所提算法能够得到精确的位置、速度和航向信息，而且也能有效改善滤波性能，提高了组合导航系统的解算精度，能够满足船舶高精度导航定位的要求。

Web服务在给基于异构平台的应用集成带来极大便利的同时，各核心组件也面临着被恶意攻击的威胁。目前，主要依靠入侵检测系统(IDS)来检测这些攻击，但是分布在网络中的IDS往往是由不同的厂商或组织开发的，没有用于交换知识的可被共同理解的词汇集，难以交互和协作,工作效率低且很难抵御多层次、分布式攻击。提出了一种基于本体和Web本体标准语言（OWL）的Web服务攻击分类和描述方法，通过构建Web服务攻击本体以提供不同IDS共同理解的词汇集。在此基础上，设计了一种基于Web服务攻击本体库的入侵检测系统(O-IDS)，能有效弥补现有IDS难以交互的不足，提高对多层次、分布式攻击的检测能力。

针对P2P超节点覆盖网中超节点的选择大都根据节点物理性能而没有考虑搭便车（free-rider）等现象，充分考虑节点间距离、交互情况和查询相似度等提出了一种用户评价机制，根据满意度选择超节点和查询请求的发送对象，不仅可以提高系统效率，同时可以达到减少和消除free-rider节点的目的。实验分析表明，P2P超节点覆盖网用该评价机制提高了文件查询成功率，减少了平均查询跳数，且降低了文件查询延时。