为提升大坝安全运维的效率，大坝缺陷目标检测模型有助于辅助巡检人员进行缺陷检测。大坝缺陷几何形状多变，而采用传统卷积方式进行特征提取的单点多盒检测器（SSD）模型无法适应缺陷的几何变换。针对上述问题，提出可变形卷积单步多框检测器（DFSSD）模型。首先将原始SSD的主干网络VGG16中的标准卷积替换为可变形卷积，用于处理缺陷的几何变换，并且通过学习卷积偏移量来提升模型的空间信息建模能力；其次针对不同特征的尺寸，改进先验框比例，从而提高模型对条形特征的检测精度与模型的泛化能力；最后为解决训练集正负样本不均衡的问题，采用改进的非极大值抑制（NMS）算法来优化学习效果。实验结果表明：DFSSD模型较基准模型SSD在大坝缺陷图像上的平均检测精度提升了5.98%。相较于基于区域的更快卷积神经网络（Faster R-CNN）和SSD模型，DFSSD模型在大坝缺陷目标检测精度提升上有较好的效果。

针对图像降噪中降噪效果差、计算效率低的问题，提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先，使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获；其次，将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别；然后，利用判别结果对整个模型的隐层参数进行优化；最后，生成器和判别器在博弈中达到平衡，且生成器的残差捕获能力达到最优。实验结果表明，在Set12数据集上，当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比，基于像素点间误差评价指标，其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB；所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比，结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。

针对基本果蝇优化算法（FOA）容易陷入局部最优值、后期收敛速度变慢和收敛精度较低的缺点，提出了一种基于适应性动态步长的变异果蝇优化算法（MFOAADS）。首先，利用佳点集法选取种群初始位置，降低算法初始点选取的随机性和陷入局部最优值的概率；然后，采用适应性动态步长优化策略，提高收敛速度和求解精度；最后，若算法陷入了早熟，则对种群最优个体按一定概率执行柯西变异扰动，赋予其跳出局部最优的能力。经5个经典函数测试表明，固定迭代次数时MFOAADS的收敛精度与收敛速度明显优于FOA；固定目标精度时，MFOAADS相对于FOA平均迭代次数有着大幅下降且成功率达97%以上。实验结果表明，所提算法求解精度、运行效率以及可靠性相对于基本FOA算法都有着显著提高。

无参数保持投影算法无需参数设置且识别性能稳定,但算法不能有效地保持样本的局部结构,且忽略了非局部样本所起的作用,而且存在着小样本(SSS)问题,为此提出了一种完备的无参数近邻保持及最大化非近邻算法。算法以样本间余弦距离0.5为分界点将样本分成近邻及非近邻样本,为了充分利用近邻样本及非近邻样本,分别构造了近邻散度矩阵及非近邻散度矩阵,因此算法的目标函数就是求取能够最小化近邻散度矩阵的同时,最大化非近邻散度矩阵的投影矩阵。对于目标函数的求解,可先将高维样本通过主成分分析(PCA)算法降至一个低维的子空间,并通过两个定理证明了这种处理方法没有损失任何有效的判别信息;然后将目标函数转换为差形式,从而有效地解决了小样本问题。在人脸库及掌纹库上的实验结果表明,与无参数局部保持投影算法相比,所提算法平均识别率更高,验证了算法的有效性。

近似支持向量机(PSVM)在处理不平衡样本时,会过拟合样本点数较多的一类,低估样本点数较少的类的错分误差,从而导致整体样本的分类准确率下降。针对该问题，提出一种用于处理不平衡样本的改进的PSVM新算法。新算法不仅给正、负类样本赋予不同的惩罚因子,而且在约束条件中新增参数,使得分类面更具灵活性。该算法先对训练集训练获得最优参数,然后再对测试集进行训练获得分类超平面,最后输出分类结果。UCI数据库中9组数据集的实验结果表明:新算法提高了样本的分类准确率,在线性的情况下平均提高了2.19个百分点,在非线性的情况下平均提高了3.14个百分点,有效地提高了模型的泛化能力。

针对传统边缘检测算法的定位精度低、对噪声敏感等缺点，提出基于函数曲线拟合的亚像素边缘检测算法——梯度方向高斯曲线拟合亚像素定位算法。该方法首先在边缘附近选取一系列点，求得这些点的灰度值，进而求得这些点的梯度值，然后运用高斯曲线来对这些点的梯度值进行拟合，最后通过拟合曲线求得高斯曲线的对称轴位置即为亚像素位置。实验表明该算法能够很好地实现亚像素定位，通过与其他两种亚像素定位算法的比较，得出该算法运行时间较短，效率较高。

针对传统分类方法只采用一种分类器而存在的片面性，分类精度不高，以及支持向量机分类超平面附近点易错分的问题，提出了基于支持向量机（SVM）和k近邻(KNN)的多特征融合方法。在该算法中，设样本集特征可分为L组，先用SVM算法根据训练集中每组特征数据构造分类超平面，共构造L个；其次用SVMKNN方法对测试集进行测试，得到由L组后验概率构成的决策轮廓矩阵；最后将其进行多特征融合，输出最终的分类结果。用鸢尾属植物数据进行了数值实验，实验结果表明：采用基于SVMKNN的多特征融合方法比单独使用一种SVM或SVMKNN方法的平均预测精度分别提高了28.7%和1.9%。

在含有移动节点的混合无线传感器网络中，为优化网络覆盖性能，基于包容式体系结构的思想，提出了一种基于行为的移动节点控制策略。设计了移动节点的5种基本行为，分别是停止、漫游、避让固定传感器节点、避让移动传感器节点以及奔向网络覆盖盲区，各行为之间采用竞争与抑制机制进行行为选择。通过仿真实验验证了算法的有效性。

研究了无线局域网数据包捕获技术、无线帧解码技术及无线局域网安全检测方法等技术。采用了无线网卡监听技术，对WLAN中传输的数据帧进行实时监控。通过对数据帧的分析，提出了网络性能测试和802.1x认证的检测方法，并用直观的方式显示无线网络的运行状况。在此基础上，提出了一个完整的无线局域网（WLAN）安全检测方案，并详细介绍了嵌入式WLAN安全检测系统的实现。

在汉字的认知过程中有“字优效应”和“字劣效应”，前者认为在汉字认知过程中整字信息优于部件或笔画信息，后者反之。以自组织特征映射算法为理论基础，提出了一种双向自组织特征映射(SOFM)网络，利用自组织网络实现根据汉字和部件多维表征的聚类，并建立两层网络之间的连接关系，通过双向测试，得到不同构型汉字所具有的字优效应和字劣效应，从新的角度实现了SOFM的应用。研究结果对于汉字教学方法有一定的参考价值。

基于对LEACH等算法的研究，提出一种传感器网络分簇算法——簇头优化分簇算法。它将节点周期性划分为数个在地理位置上分布均匀的“临时簇”，然后分别在每个临时簇内选择簇头；簇头选择时，遵循保护最低能量节点的原则，即要求所选簇头尽量靠近剩余能量最低的节点。仿真结果表明，与LEACH相比较，该算法能保证簇头较均匀分布在网络中，推迟第一个死亡节点出现的时间，同时也提高了基站接收的数据量。

以自组织特征映射算法为理论基础，提出了一种新的SOMNET算法，利用人工神经网络实现了具有相似特征的汉字的聚类以及汉字部件的聚类。并对汉字及其部件的显示效果进行了分析，从不同角度刻画了SOM模型的应用。研究结果对于汉字认知研究以及留学生第二语言习得教学具有一定的参考价值。