eclipse攻击作为针对区块链网络层的一种显著威胁，通过控制节点的网络连接，可导致被攻击节点与整个网络的隔离，进而影响该节点接收区块和交易信息的能力。攻击者还可以在此基础上发起双重支付等攻击，这会对区块链系统造成巨大破坏。针对该问题，结合深度学习模型，提出一种面向区块链节点分析的eclipse攻击动态检测方法。首先，利用节点综合韧性指标（NCRI）表达节点的多维属性特征，并引入图注意力神经网络（GAT）动态更新网络拓扑结构的节点特征；然后，使用卷积神经网络（CNN）融合节点的多维特征；最后，结合多层感知机（MLP）来预测整体网络的脆弱性。实验结果表明，所提方法在不同的eclipse攻击强度下的准确率最高可以达到89.80%，并且能在不断变化的区块链网络中保持稳定的性能。

针对视觉Transformer（ViT）缺乏归纳偏置，导致在相对小规模的行人重识别数据上难以学习有意义的视觉表征的问题，提出一种基于自蒸馏视觉Transformer的无监督行人重识别方法。首先，利用ViT的模块化架构，即每个中间块生成的特征维度相同的特性，随机选择一个中间Transformer块并将它送入分类器以得到预测结果；其次，通过最小化随机选择的中间分类器输出与最终分类器输出分布之间的Kullback-Leibler散度，约束中间块的分类预测结果与最终分类器的结果保持一致，据此构建自蒸馏损失函数；最后，通过对聚类级对比损失、实例级对比损失和自蒸馏损失进行联合最小化，对模型进行优化。此外，通过从最终分类器向中间块提供软监督，有效地给ViT模型引入归纳偏置，进而有助于模型学习更鲁棒和通用的视觉表征。与基于TransReID的自监督学习（TransReID-SSL）相比，在Market-1501数据集上，所提方法的平均精度均值（mAP）和Rank-1分别提升1.2和0.8个百分点；在MSMT17数据集上，所提方法的mAP和Rank-1分别提升3.4和3.1个百分点。实验结果表明，所提方法能够有效提高无监督行人重识别的精度。

针对现有的基于认知诊断的习题推荐建模角度单一以及习题推荐结果不够合理的问题，提出结合认知诊断和深度因子分解机的个性化习题推荐方法。首先，设计一种知识点关系计算方法构建课程知识树，并提出增强Q矩阵准确表示习题所含知识点的关系的概念；其次，提出基于知识点关系和习题表征的认知诊断（NeuralCD-KD）模型，该模型计算增强Q矩阵，利用特征二阶交叉和注意力机制融合习题难度的内外因素，并模拟学生的认知状态。在私有数据集和公开数据集上验证了提出的认知诊断模型的有效性，并且该方法能对学生的认知状态做出合理解释。为了个性化习题推荐，结合诊断模型和深度双线性因子分解机，提出结合认知诊断和深度因子分解机（NKD-DBFM）方法，在私有数据集上验证了所提习题推荐方法的有效性，在曲线下面积（AUC）上相较于最优基线模型神经认知诊断模型（NeuralCDM）提升了3.7个百分点。