许多基于网络结构信息的链接预测算法利用节点的聚集程度评估节点间的相似性，进而执行链接预测；然而，该类算法只注重网络中节点的聚集系数，没有考虑预测节点与共同邻居节点之间的链接聚集系数对节点间相似性的影响。针对上述问题，提出了一种融合节点聚集系数和非对称链接聚集系数的链接预测算法。首先，计算共同邻居节点的聚集系数，并利用共同邻居节点对应的两个非对称链接聚集系数计算该预测节点的平均链接聚集系数；然后，基于Dempster-Shafer证据理论将两种聚集系数进行融合生成一个综合性度量指标，并将该指标应用于中间概率模型（IMP），得到一个新的节点相似性指标（IMP_DS）。在9个网络数据上的实验结果表明，该算法的受试者工作特征（ROC）的曲线下方面积（AUC）与精度值（Precision）优于共同邻居（CN）、Adamic-Adar（AA）、资源分配（RA）指标和基于共同邻居的中间概率模型（IMP_CN）。

针对眼科医生诊断眼底图像工作耗时且易出错的问题，提出一种无监督的眼底图像硬性渗出物检测方法。首先，通过形态学的背景估计方法去除血管、暗病变区域和视盘；然后，以图像亮度通道为初始图像，利用硬性渗出物在眼底图像中的局部性和稀疏性，结合局部熵和鲁棒主成分分析方法分解得到低秩矩阵和稀疏矩阵；最后，归一化稀疏矩阵得到硬性渗出物区域。实验结果显示，在e-ophtha EX和DIARETDB1公开数据库上，所提方法在病灶水平上灵敏性为91.13%和特异性为90%，在图像水平上准确率为99.03%，平均运行时间0.5 s；与支持向量机（SVM）和K-means方法相比灵敏性高且耗时少。

针对现有多变量时间序列分类算法存在的要求序列等长和忽视类别信息两个不足,提出基于奇异值分解(SVD)和判别局部保持投影的分类算法。该算法基于降维思想,先通过SVD将样本的第一右奇异向量作为特征向量,以此将不等长序列转化为规模大小相同的序列;接着采用基于最大间距准则的判别局部保持投影对特征向量投影,充分利用类别信息以确保投影后同类样本尽量接近,异类样本尽量分散;最后在低维子空间采用1最近邻(1NN)、Parzen窗、支持向量机(SVM)和朴素Bayes分类器进行分类。在Australian Sign Language(ASL)、Japanese Vowels(JV)和Wafer三个公开的多变量时间序列数据集上进行的实验结果表明：在时间开销基本不变的前提下,所提方法取得了较低的分类错误率。

提出一种基于小波的形状和纹理联合特征的图像分类方法。先对图像进行二维小波变换以得到边缘图像，再提取边缘图像的7个边界不变矩组成图像的形状特征向量；在实验中，发现大多数情况下，图像背景的干扰信息大于其对分类的贡献，因此对图像去除其背景，然后在灰度共现矩阵的基础上，计算5个二次统计量作为其纹理特征；最后联合形状和边缘特征向量，并对其进行高斯归一化，用SVM进行分类。结果表明，该方法具有明显的优越性和较强的实用性。

K-均值聚类算法的执行时间过度依赖于初始点的选取，但是在实际问题中并不知道k的取值和怎样才能有效地选取初始点。在对K-均值算法中初始点的选取进行深入研究的基础上，提出了一种有效的初始点选取算法。现存的类间相似度并不能很好地度量两个类的相似性，为此提出了一种新颖的度量方法：类间影响因子，使用类间影响因子对类进行合并。该方法和上面提出的初始点选取算法能够根据数据集本身的特性快速地自动选取初始中心并给出初始点的个数。最后用高斯数据集对算法进行测试，得到了一个令人满意的结果。