为解决车辆识别系统中类型识别率低的问题，提出了一种基于改进 CenterNet 的车辆识别方法。首先，该方法采用 ResNet18 作为基础网络，以减少网络参数; 然后， 针对 CenterNet 车辆目标识别存在定位效果不理想的问题，采用带间距的交并比损失取 代 CenterNet 损失函数中的偏置损失和宽高损失，同时采用单尺度自适应空间特征融合 及自适应逐层特征融合方法，将网络的多级特征进行融合。实验结果表明: 在Vehicle 数据集上，平均精度均值提升了 1. 9 个百分点; 在 BDD100K 和 Pascal VOC 数据集上， 预测边框跟真实边框交并比为 0. 5 时的平均精度分别提升了 5. 2 个百分点和 2. 5 个百分 点; 在 GTX1080Ti 上，推理速度每秒可达 149 帧，文中提出的改进 CenterNet 能够明显 提高车辆的识别精度。

智能移动设备逐渐普及，然而视频图像检测等移动端应用仍然受到移动设备有 限的计算和储存能力的限制，而且传统的云计算已无法满足这些应用对网络延迟、抖 动、安全性等的需求。为此，文中首先设计了一个端云协同系统的用户体验指标，作为 目标检测精度和能耗的综合衡量标准; 然后将用户体验指标作为优化目标，提出了一种 视频图像检测跟踪自适应调度算法，该算法通过预测网络带宽、计算传输时延来对目标 检测和目标跟踪任务进行调度。在 KITTI 视频图像数据集上的实验结果表明，该检测跟 踪自适应调度算法能够获得较高的用户体验，极大地减少了能量损耗，并获得 78. 3% 的检测精度。

对于非均匀、非周期性欠规则纹理表面缺陷的检测，由于背景纹理为非平稳信 号，常规的图像重建较为困难。同时，由于难以事先获取缺陷的形状、灰度等图像特征 信息，且同类缺陷的视觉特征可呈现较大的分散性，现有的依赖于目标特征的检测方法 难以适用。为此，文中提出了一种基于图像修复的无监督学习表面缺陷检测方法。该方 法需要先将少量正常纹理样本图像作为训练集，用于训练网络模型; 然后在检测时，人 为地在样本图像中设置缺失区域，并利用网络模型预测缺失区域的内容; 最后根据重建 图像与待测图像的结构相似性评价及残差实现缺陷检测与分离。实验结果表明，文中方 法不仅能够有效检测规则纹理表面的缺陷，而且能够检测欠规则纹理表面的缺陷，具有 较强的实用性和适应性。

针对目前协同过滤方法面临的稀疏性问题以及辅助信息的异构特性未被充分利 用的问题，鉴于异构信息网络 ( HIN) 在建模复杂异构信息方面的优势，文中提出了一 种基于 HIN 的紧耦合推荐模型 ( HTCRec) ，利用异构信息网络嵌入和紧耦合协同过滤 框架进行个性化推荐。该模型首先聚合 HIN 中的元路径及其路径实例，再使用注意力 机制将目标用户或项目的辅助信息用各自聚合元路径的嵌入进行表示，然后显式地将元 路径合并到紧耦合交互模型中完成个性化推荐。在真实数据集上的实验结果表明， HTCRec模型较其他常用推荐模型具有更好的推荐性能，有效地缓解了数据稀疏问题。

协同过滤作为一种常见的推荐系统实现方式，能给用户带来个性化的推荐服务 体验。传统的协同过滤模型没有对用户和项目的不同显式属性的关注程度进行挖掘和分 析，导致了不同显式属性的关键程度未被模型关注。因此，在基于卷积神经网络的耦合 协同过滤模型的基础上，文中引入了注意力机制，以深度挖掘显式属性的关键程度，增 强在关键属性上的参数学习梯度; 提出了一种新的耦合程度计算方法，以保证参数的齐 次性，提高模型的推荐性能。实验结果表明，文中提出的模型的推荐精准率较传统协同 过滤方法和耦合协同过滤模型更优，top K@ 10 命中率和归一化折损累计增益分别达到 0. 8508 与 0. 5850。

最优快速拓展随机树 ( RRT* ) 是一种渐进最优的移动机器人路径规划方法， Quick-RRT* 缩短了 RRT* 的初始路径长度，提高了路径收敛速度。为进一步提高 QuickRRT* 的收敛速度，文中提出了一种双树 Quick-RRT* 算法。首先，基于 Quick-RRT* 算 法在起点和终点分别生成一棵随机树，起点树和终点树轮流生长，两棵树的连接采用贪 婪法; 然后，对提出的算法的概率完备性和渐进最优性进行理论分析，证明了算法的概 率完备性和渐进最优性; 最后，基于 Matlab 平台，在 3 种环境下采用双树 Quick-RRT* 与 RRT* 、Quick-RRT* 和双向 RRT* 算法进行了对比仿真实验。结果表明，文中改进的 算法不仅可以在更短的时间内找到初始路径和次优路径，而且初始路径更短。

针对基于深度学习的立体匹配网络中病态区域匹配效果欠佳、模型参数量过大的问题，提出了一种基于多阶特征融合与循环代价聚合的端对端立体匹配网络—MFRANet。首先，为兼顾图像低层细节信息与高层语义信息，提出了多阶特征融合模块，采用分阶段、逐步式的特征融合策略对多层次、多尺度特征进行有效融合；其次，在代价聚合阶段提出循环聚合机制，以循环方式对匹配代价卷进行聚合优化，在改善聚合效果的同时不引入过多的参数量；最后，利用基于Soft Argmin算法的视差计算模块计算图像视差。并通过KITTI 2012/2015和SceneFlow两个公开数据集对网络进行训练和测试，与其他端对端立体匹配网络进行了对比研究。结果表明，在SceneFlow和KITTI 2015两个公开数据集上，相较于其他端对端立体匹配网络，MFRANet具有更为精准的匹配结果；对于SceneFlow数据集，终点误差降低至0.92Pixels；对于KITTI 2015数据集，误匹配率降低至2.21%。

由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高。针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法（MulRN）,该算法在嵌入单元与关系单元使用了多个模块来提高网络的特征提取能力与特征度量能力,使用具有多分支结构的Inception模块与MRFB模块提升网络的特征提取能力,采用空间注意力模块与通道注意力模块提取出区分度更高的足迹特征,从而更好地实现足迹分类;并在miniImageNet、Omniglot等小样本数据集与双模态2D足迹数据集上进行了实验。实验结果表明,该方法在小样本数据集上具有较好的表现,同时在双模态2D足迹数据集上也达到了不错的效果,特别在右脚双模态数据集上的5-way 5-shot实验中达到了95.41%的分类准确率。

为了提高点云匹配识别过程中的特征提取效率和匹配精度，提出一种结合点云纹理信息的快速点特征直方图描述子算法。首先基于快速点特征直方图描述子构建形状特征直方图，采用CIELab色彩空间和多种点对纹理属性度量构建纹理特征直方图，然后将两特征直方图连接获得结合点云纹理信息的快速点特征直方图描述子。运用公开点云数据集及实景点云数据进行验证，对该特征描述子与多个现有描述子展开特征匹配试验及点密度变化试验。试验结果表明：当采用CIE00色差作为点对纹理属性度量时描述子的综合性能最佳;且该算法具有良好的特征描述性能和匹配精度，特征提取效率和匹配效率高，在点云密度变化时具有较强的鲁棒性。

为了保障感知服务过程中能够建立一个持久稳定的任务分发链路，文中首先提出了基于节点社会属性的相似度量化算法（Intimacy Quantification Method Based on Social Attributes,IQSA）；然后结合信息熵理论与社会关系提出了一种基于信息熵相似度的社区检测算法（Community Detection Algorighm Based on Information Entropy Similarity,CDIES）；并通过实验对IQSA算法与当前比较流行的两种模型进行了比较，从最终的社区划分结果、模块度和时间开销三个方面，评估分析了CDIES算法的准确性和有效性。结果表明：与基于内容的好友推荐模型和基于关系的两阶段好友推荐模型相比，IQSA算法在准确率、召回率与 f1-score 上的综合表现最优；CDIES算法的社区划分结果的模块度值和时间开销明显优于GN算法和FN算法。

在对建筑能耗进行回归预测时需要利用到时序特征与分类特征，而传统模型只能处理其中一种特征。针对该问题，文中提出了一种融合一维卷积与词嵌入的神经网络新构架，其中，一维卷积核能提取连续的时间序列特征，词嵌入模型能对离散的分类特征进行嵌入计算，从而建立能同时处理时序特征与分类特征的建筑能耗预测模型。通过与梯度提升决策回归树和长短时记忆网络的比较，证明所提出的模型在效率与准确率上都有良好的表现。在超参数调节上，采用基于贝叶斯优化的超参数自动优化算法，该算法能在树搜索空间上寻找最优超参数，相比于人工调参，超参数自动寻优算法能在较快的时间内提升模型本身的性能。最后进行了算例仿真，结果表明，文中提出的模型在性能上要优于集成学习模型与长短时记忆网络。

对于经典的透视三点 ( P3P) 问题，当三维控制点的 Z 轴坐标在较大范围内随 机分布时，仍然存在数值稳定性差、图像噪声增加导致的退化、计算效率低的问题。为 此，文中提出了一种快速且稳定的代数求解方法。首先，在根据 3 个三维到二维的对应 点对估计已校准摄像机的旋转角度和相对位置时，在世界坐标系与相机坐标系之间引入 中间坐标系，以减少未知参数的数量，并对旋转矩阵进行归一化，以简化计算过程，提 高计算效率; 然后，选取两个控制点的中心作为中间坐标系的坐标原点，以提高 P3P 问题在退化配置中的抗噪性能; 最后，通过使用 Grbner 基将 P3P 问题转化为求解只有 一个未知参数的四次方程，求出 P3P 问题的封闭解。实验结果表明，文中算法的数值 稳定性以及在退化配置中的抗噪性能，均优于其他 3 种 P3P 问题的经典算法。

大多数评分预测研究都是基于缺失值是随机的假设。然而，实际的线上推荐系 统的评分矩阵的缺失数据都是非随机的。对缺失数据的错误假设会导致有偏差的参数估 计和预测。为了提高非随机缺失评分矩阵填补的准确度，文中深入分析了用户和物品的 评分矩阵的内在原理，提出了通过行或列变换将用户和物品的评分矩阵转变为等价的双 边块对角矩阵，再在不同的分区块中分别应用矩阵分解方法进行分解和评分预测的方 法，使得局部数据更新和分解成为现实。在公测数据集上的实验结果显示，文中方法可 以提高评分填补效果，有效地解决非随机评分缺失问题，从而提高推荐系统的预测准确 率。变换后的分块矩阵在分布式处理实验中也获得了较好的加速比，说明文中方法具有 较好的应用可扩展性。

三维 ( 3D) 目标检测常见的数据格式为图像和点云，图像数据具有较好的目 标识别能力，点云数据具有准确的空间信息。为了更好地利用图像数据目标识别能力较 强和点云数据空间信息较准确的优点，文中提出了基于点云俯视图重映射的 3D 目标检 测方法 Bird-PointNet。该方法首先将点云编码为俯视图格式，进行目标识别和粗略定 位; 然后将俯视图检测结果映射回点云空间，进行精确检测。在 KITTI 数据集上的俯视 图检测和 3D 检测实验结果表明: 与仅使用点云俯视图编码的基准方法相比，BirdPointNet 方法的 3D 检测准确率更高。

案件文书作为司法信息公开的重要内容，需要在审判之后向公众公开，某些涉 及未成年人的案件文书极有可能会造成未成年人的个人隐私信息泄露。为了能从大量案 件文书中准确地识别出涉及未成年人信息的文书，进而有针对性地对其进行隐私保护处 理。同时，为解决现实数据集因有标注样本缺乏而难以进行有效的有监督学习的问题， 文中提出了基于半监督学习的涉及未成年人案件文书识别方法。首先，对案件文书语料 文本进行预处理后分别使用 Word2Vec 和 BEＲT-wwm-ext 对文本进行特征提取，将长语 料文本转换为可作为分类模型输入的数据格式; 接着，采用 PU 学习方法训练分类模 型，在正例样本极少的情况下借助大量未标注样本构建有效的分类器; 然后，在分类模 型预测结果的基础上，使用主动学习方法获取关键词并对模型预测结果进行筛选处理， 以进一步提升预测效果。在基于现实场景比例构建的测试集上，文中提出的案件文书识 别方法取得了 98. 67% 的召回率和 81. 02% 的准确率。

新冠疫情暴发以来，相关谣言时有传播，但传统的谣言识别模型却难以有效判 别疫情谣言，因为相较于大量历史谣言数据，疫情谣言的数量还不足以训练出良好的分 类器。因此，建立一个以少量谣言数据为基础的疫情谣言识别模型紧迫且重要。针对训 练数据量不足的问题，为了提高疫情谣言鉴别效果，文中提出了一种基于文本增强和生 成对抗网络 ( GAN) 的疫情谣言识别方法。首先，分析疫情谣言的文本特征，提取能 表征疫情谣言的特征词; 然后，基于 GAN 构建疫情谣言生成模型，将不含疫情谣言特 征的历史谣言，利用疫情谣言特征词库进行文本增强，并生成大量含有疫情谣言特征的 新谣言数据; 最后，在疫情谣言中补充新生成的谣言数据，从而训练出更准确的疫情谣 言分类模型。实验结果表明，使用 GAN 扩充训练集后，识别效果提高了 3 个百分点， 明显优于传统机器学习和深度学习算法，为重大突发疫情事件中谣言的识别提供了新的 途径。

为了增加对不同类别样例的区分度，提高模型的分类效果，提出了结合类别关 键词和注意力机制的药物相互关系 ( DDI) 抽取模型 KA-BERT。首先基于卡方检验和 文档频率获取每个类别的关键词，然后在预训练 BERT 模型中加入关键词与药物对的位 置编码，以增加样例的差异性，并通过注意力机制学习关键词与句子中其他词的分布信 息。针对药物关系抽取任务中负样例较多的问题，文中提出了基于规则和模式的负样例 过滤方法，以有效降低正负样本比例。与现有基于 CNN、基于 LSTM 和基于 BERT 的 DDI 提取模型实验结果的对比表明，KA-BERT 模型能够很好地提高药物关系的提取效 果，证明了该模型的有效性。在化学 － 蛋白质相互关系抽取上的测试结果表明， KA-BERT模型的准确率、召回率和 F1 值均有明显的提升，证明了该模型的有效性和通 用性。

PGHR 协议设计验证式的思想是单一化的，即一个验证式实现一个条件的验 证，忽略了验证式的联合效应。文中通过利用额外常系数因子的互不整除性与验证式的 联合效应实现对 PGHR 协议的有效压缩，得到新的 ZK-SNARK 协议———CPGHR 协议， 给出了新协议安全性的严格证明，并对协议的有效性进行了理论分析与实验验证。结果 表明: 新协议的证据量压缩约 75% ，验证方计算效率提升约 33% 。