针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响，提出了融合时空感知的GRU模型。另外，对于签到序列中不相关的签到数据会产生噪声的问题，提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先，通过计算两个地点之间时间间隙和距离间隙，在GRU模型的基础上增加时间门和空间门，设置权重矩阵，控制时间信息和空间信息对推荐下一个地点的影响；然后，引入注意力机制，通过计算用户偏好的注意力权重得分，得到用户的注意力权重系数，获取用户的个性化偏好；最后，通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明，与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比，ST-GRU+Attention的准确度有了较大的提高，其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。

针对海量地形绘制中有限的计算机内存与海量地形数据之间的矛盾，对海量地形数据采用瓦片金字塔模型进行了建模，分析了瓦片最优值的选取，根据四叉树瓦片拓扑关系提出一种高效的四叉树瓦片检索方式，并给出了基于瓦片的数据压缩思路与方法。对海量地形数据与三维显示的交互策略从数据预装载、双缓存机制、多线程技术、内存优化等方面进行了分析和优化，并结合经典的Geometry Clipmaps算法进行了地形绘制，实验结果具有较好的渲染效果和较高的实时性，证明了优化策略的可行性和有效性。

对手写汉字识别问题，提出了一种在识别之前对手写汉字预分类的新方法，该方法用Neocognitron网提取字符笔画特征，然后采用有监督的扩展ART神经网络（SEART）产生一定数量的预分类组并通过基于模糊相似测量的匹配算法进行预分类。实验表明，该方法用于手写汉字分类效果良好，预分类正确率达到98.22％。