数学问题的题意理解是实现自动解题的关键，然而现有研究对情境复杂、参数较多等特征的应用题实现题意理解的准确率较低，尚没有很好的优化解决方案。基于此，以语境复杂的古典概型应用题为突破点，提出了融合常识库和语法特征的数学应用题题意理解方法。首先，结合古典概型应用题的文本和结构特征，构建了包含7类关键解题参数的古典概型题意表征模型；然后，根据该模型将应用题题意理解任务转化为解题参数识别问题，并设计了融合多维语法特征的条件随机场（CRF）题意参数识别方法来解决这个问题。进一步地，针对隐性参数识别问题设计了常识参数补全模块，并提出了融合常识库和语法特征的数学应用题题意理解方法。以新东方在线网站和21世纪教育在线题库中的948道古典概型应用题为实验语料进行实验。实验结果表明，所提方法的各题意参数识别F1平均值达到93.56%，高于最大熵模型（MaxEnt）、双向长短期记忆网络-条件随机场（BiLSTM-CRF）和传统CRF方法；并且题意理解准确率达到66.54%，显著高于上述其他方法，验证了所提方法对古典概型应用题题意理解的有效性。

针对无纺布生产过程中产生的浆丝缺陷对比度较低，以及传统图像处理方法对其检测效果较差的问题，提出了一种基于卷积神经网络（CNN）的无纺布低对比度浆丝缺陷检测方法。首先，对采集到的无纺布图像进行预处理以构建浆丝缺陷数据集；然后，利用改进的卷积神经网络以及多尺度特征采样融合模块构造编码器以提取低对比度浆丝缺陷的语义信息，并在解码器中采用跳跃连接进行多尺度特征融合来优化上采样模块；最后，通过所构建的数据集训练网络模型，从而实现低对比度浆丝缺陷的检测。实验结果表明，所提方法可以有效定位并检测出无纺布上的低对比度浆丝缺陷，其平均交并比（MIoU）、类别平均像素准确率（MPA）分别可以达到77.32%和86.17%，单张样本平均检测时间为50 ms，能够满足工业生产的要求。