在高维数据如图像数据、基因数据、文本数据等的分析过程中，当样本存在冗余特征时会大大增加问题分析复杂难度，因此在数据分析前从中剔除冗余特征尤为重要。基于互信息（MI）的特征选择方法能够有效地降低数据维数，提高分析结果精度，但是，现有方法在特征选择过程中评判特征是否冗余的标准单一，无法合理排除冗余特征，最终影响分析结果。为此，提出一种基于最大联合条件互信息的特征选择方法（MCJMI）。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素，两个因素融合增强特征选择约束。在平均预测精度方面，MCJMI与信息增益（IG）、最小冗余度最大相关性（mRMR）特征选择相比提升了6个百分点；与联合互信息（JMI）、最大化联合互信息（JMIM）相比提升了2个百分点；与LW向前搜索方法（SFS-LW）相比提升了1个百分点。在稳定性方面，MCJMI稳定性达到了0.92，优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。

针对空间众包多类型任务完成的质量与数量问题，提出多类型任务的分配与调度方法。首先，在任务分配过程中，结合空间众包中多类型任务和用户的特点，对贪婪分配算法改进，提出基于距离 ε值分配（ ε-DA）算法；然后，将任务分配给附近的用户，以提高任务完成质量；其次，利用分支定界思想（BBS），根据专业匹配分数的大小，对任务序列进行调度；最后，找到最佳的任务序列。针对分支定界思想的调度算法运行速度较慢的问题，提出最有前途分支启发式（MPBH）算法。通过MPBH算法，使得在每次任务分配过程中实现局部最优化，与分支定界思想的调度算法相比，在运行速度上提高了30%。实验结果表明，所提方法能够提高任务完成的质量以及数量，有效地提高了运行速度与精确性。