目前深度学习模型在对话行为识别中被广泛采用，通过挖掘多种对话行为特征以提升对话行为分类性能。然而，这些方法忽视了不同对话行为特征之间的潜在关联和相互影响，且对话行为分类过程中也很少考虑对话行为标签之间的语义关联关系，这些都妨碍了对话行为识别的性能提升。针对以上问题，提出一种基于注意力机制的多特征融合层次化分类（MFA-HC）方法用于对话行为识别。首先，提出一种基于无遗忘学习的对话行为层次化分类框架，结合词、词性以及相关语言学统计量等多种细粒度特征来学习训练对话行为分类模型；其次，提出一种基于注意力机制的共性-个性模型捕获不同特征之间的共性和个性特征。在两个基准数据集SwDA（Switchboard Dialogue Act corpus）和MRDA（ICSI Meeting Recorder Dialogue Act corpus）上的实验结果表明：相较于目前整体性能较优的DARER（Dual-tAsk temporal Relational rEcurrent Reasoning network），MFA-HC方法通过捕捉话语中隐含的共性和个性特征，分类准确率分别提高了0.6%和0.1%。

在电力系统中，终端设备的信任度评估是实现访问权限分级、数据安全采集的关键技术，对于保证电网安全稳定运行具有重要意义。传统的信任度评估模型通常基于终端设备身份识别、运行状态和交互记录等直接计算信任度评分，在面临间接攻击和节点共谋时，性能较差。针对上述问题，提出一种基于自适应交互反馈的信任度评估（Adaptive Interaction Feedback based Trust evaluation， AIFTrust）机制。所提机制通过直接信任评估模块、信任推荐模块和信任聚合模块全面地度量设备的信任等级，针对电力信息系统中海量协作终端精准地评估信任度。首先，直接信任评估模块引入交互成本，并基于信任衰减策略计算恶意目标终端的直接信任评分；其次，信任推荐模块引入经验相似性，并通过二次聚类推荐相似终端以提高推荐信任度评分的可靠性；然后，信任聚合模块基于信任评分准确性自适应地聚合直接信任度评分和推荐信任度评分。在真实数据集和生成数据集上的仿真实验结果均表明，在攻击概率为30%、信任衰减率为0.05时，AIFTrust相较于基于相似度的信任评估方法SFM（Similarity FraMework）和基于客观信息熵的信任评估方法CRT（Reputation Trusted based on Cooperation）在推荐准确度上分别提高13.30%和14.81%。

在非重叠多摄像机系统的人体对象目标识别中,针对基于单幅图片的识别算法不能较好处理对象表观和视角变化的问题,提出基于人体图像序列的算法。该算法用隐马尔可夫模型(HMM)融合多幅图片的特征,先考虑人体结构的约束,将人体图像在垂直方向上划分为多个相等的图像区域;然后采用多层阈值分割算法提取区域代表性颜色特征(SRC)和标准差特征(SSV);再用每个人体对象的多幅图片提取的特征数据集训练该对象的连续密度HMM;最后利用训练的模型实现人体对象的目标识别。该方法在两个公开数据集上进行的实验都获得了较高的识别率,提高了对摄像头视角变化、低分辨率的鲁棒性,且简单易实现。