针对乳腺癌淋巴结转移的人工检测精度低、耗时长的问题，提出了一种基于残差网络结构，使用八度卷积（Octave Convolution）方法设计卷积层的一种神经网络检测模型。以残差网络中卷积层为基础，首先对卷积层中输入和输出的特征向量进行高低分频，并缩减低频通道的宽和高为高频的一半。然后通过对减半后的低频向量进行上采样，实现与高频向量之间的卷积操作；通过对高频向量的平均池化，实现与减半低频向量的卷积操作。最后将高频向量之间、高频与低频向量之间的卷积相加，得到高频输出；将低频向量之间、低频与高频向量之间的卷积相加，得到低频输出。这样就构建出了Octave卷积层，将残差网络中所有卷积层完全替换为Octave卷积层就搭建出了检测模型。理论上，Octave卷积层中卷积的运算量减少了75%，有效加速了模型的训练。在最大内存为13 GB，可用磁盘大小为4.9 GB的云端服务器上，用PCam数据集进行测试，得到模型的识别精度为95.06%，内存占用8.7 GB，磁盘占用356.4 MB，平均单次训练用时4 min 42 s。与ResNet50相比，所提模型的精度下降了0.69%，内存节省0.6 GB，磁盘节约105.9 MB，单次训练用时缩短了1 min。实验结果表明，所提模型具有较高的识别精度，较短的训练用时和较少的内存消耗，使得模型在大数据的背景下，降低了对算力资源的要求，具有一定的实际应用价值。

针对本体整合中缺少语义理解的问题，使用字典技术对同义词进行识别，并使用启发式规则计算本体中实体间的相似度。以此为基础，开发了一个半自动化的本体整合系统。该系统为用户整合本体提供帮助，减轻了手工整合本体的工作量，同时提高了本体整合的准确性。