任务调度在云计算中占有重要地位，是影响云计算性能的关键因素，被证明是NP问题。启发式算法是解决该问题的最有效方法之一，针对近年来出现的一种新型启发式算法——BBO算法展开研究，由于BBO算法在求解过程中收敛速度较慢，因此结合粒子群算法提出了一种新型算法的任务调度算法——HMBBO，并结合Cloudsim云仿真平台，进行了以Makespan为目标函数的比对实验。实验结果表明，与几种经典的启发式算法相比，HMBBO算法具有寻优能力强、收敛速度快、求解质量高的特点，为解决云计算环境中任务调度问题提供了一种新思路。
基于OpenMP实现了一种基于空腔交叠互斥准则与无锁原子操作的Delaunay三角化增量插点细粒度并行算法。在串行算法的基础上，对点集引入Hilbert排序，使相邻点在几何上亦相邻。引入互斥机制——仅当各空腔无公共单元及公共相邻边时，才可同时插入，根据Delaunay局部性准则可保证整个网格都具备Delaunay属性。每个单元用一个原子变量标记该单元是否已被占有，在计算Delaunay空腔时，各线程将试图写入该原子变量，但本竞争机制保证有且仅有一个线程能成功获得该单元的所有权，以保证算法的互斥性。经数值实验表明，对于107的点集，该算法在16核下加速比可达7.06倍。
为解决多分类器融合过程中时间开销大和准确率不高的问题，采用改进的Bagging方法并结合MapReduce技术，提出了一种基于选择性集成的并行多分类器融合方法PMCF-SE。该方法基于MapReduce并行计算架构。在Map阶段，选择分类效果较好的基分类器；在Reduce阶段，从所选的基分类器中选择差异性较大的基分类器，然后采用D-S证据理论融合被选的基分类器。实验结果表明，在执行效率方面，与单机环境相比，集群环境下该方法的执行效率有所提高；在分类准确率方面，与Bagging算法相比，PMCF-SE在不同的基分类器数目下的分类准确率都高于Bagging算法。
基于一种简化求商的高基Montgomery模乘流水化阵列结构，提出并实现了素域上椭圆曲线标量乘硬件结构。该结构采用修正的Jacobian坐标的点加和倍点算法以及Kaliski提出的Montgomery模逆的算法。实验结果表明，该结构与相关工作相比具有更好的性能。
Piazza问答平台与Open edX学习平台两者相互独立，影响用户使用，并且Piazza问答数据无法被高效利用。针对上述问题 ，对Piazza问答数据进行持久保存， 利用多标签过滤方法提高了Piazza问答数据的查找能力；基于Piazza-Xblock插件，实现了在Open edX平台查找和展现Piazza问答数据，以及通过URL参数直接访问Piazza特定页面的功能，达到Piazza问答平台与Open edX平台有机结合的效果。
介绍了一个基于嵌入式平台和Kinect传感器的同时定位与地图创建算法的设计与实现。Kinect传感器包括一个可见光彩色摄像头和一个利用结构光测量深度的红外CMOS摄像头。 算法利用ORB算子作为环境特征点的描述信息，并利用基于边沿的最近邻修复方法对深度图像进行修正以获得完整的深度信息。在此基础上，利用LSH方法进行特征点的匹配。实验结果表明,基于ORB特征的视觉SLAM算法具有较好的实用性和良好的定位精度，可以广泛应用于室内机器人的自主导航任务。
主成分分析（PCA）是模式识别中一种重要的变换工具，在图像处理的特征提取和降维方面有广泛的应用。然而，由于二维图像数据需要进行向量化处理，导致高维向量的产生和像素空间位置丢失。广义主成分分析（GPCA）则是基于图像矩阵的主成分分析推广算法，它不改变像素间的空间位置关系，而且计算量也显著降低。但主成分分析和广义主成分分析都没有考虑到实际图像中存在的噪声干扰。最大噪声分离（MNF）则是一种面向噪声干扰的变换方法，与主成分分析基于方差的最大化不同，最大噪声分离是基于信噪比的最大化。与GPCA的推广类似，在图像二维矩阵上推广最大噪声分离方法，提出一种广义最大噪声分离（GMNF）算法。该变换方法在保证重构时信噪比最大的同时，也具有不改变像素空间位置、计算量小的优点。在人脸和红外图像上的仿真实验结果验证了所提算法的有效性。
针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足，提出一种改进方法，采用多尺度自适应各向异性扩散方程对图像进行平滑，有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取，可以更好地满足实时性要求。为验证其性能，在不同噪声浓度情况下进行实验，结果表明，改进的边缘检测算法可以更完整地保留边缘信息，提高边缘检测的准确性，得到较理想的边缘轮廓信息。
最近特征空间嵌入NFSE方法在训练过程中选取最近特征空间时采用传统的欧氏距离度量会导致类内离散度和类间离散度变化同步；测试时，最近邻规则也使用欧氏距离度量，而高维空间样本间直线距离具有趋同性。这些都会降低识别率，为解决此问题，提出了基于非线性距离和夹角组合的最近特征空间嵌入方法。在训练阶段，该方法使用非线性距离度量选取最近特征空间，使类内离散度的变化速度远小于类间离散度的变化速度，从而使转换空间中同类样本距离更小，不同类样本距离更大。在匹配阶段，使用结合夹角度量的最近邻分类器，充分利用样本相似性与样本夹角的关系，更适合高维空间中样本分类。仿真实验表明，基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法。
协同过滤是目前电子商务推荐系统中应用最成功的个性化推荐技术之一，但传统的协同过滤算法认为各个时期的评分数据信息是静态的。针对该问题，提出两种模糊认知：评分的模糊递增和评分权重的模糊递增。首先，对项目的评分信息划分时间窗口，且利用链式结构计算项目的相似性，选择目标项目的最近邻居；其次，对评分数据赋予时间权重，提出一种权重函数，并对传统的预测方法进行改进。同时，在预测阶段提出一种分层式的优化策略对评分的时间权重进行求解，完成推荐。最后，在Netflix的数据集实验结果表明，该算法较传统的协同过滤算法有显著的提高，推荐准确率提升了9.8%~14.1%。
聚类算法单一迭代路径限制了参数优值的搜索。提出一种多路径高斯核模糊C均值聚类算法（MGKFCMs），MGKFCMs算法首先取核目标函数及模糊隶属度函数中的核函数为高斯核函数；然后利用梯度法得到聚类中心迭代公式，并基于该迭代公式和粒子群算法作聚类中心的并行参数迭代，在每一次聚类迭代时，选择聚类目标函数值小的路径作为参数迭代最终路径。对比分析了MGKFCMs算法的相关性质，通过仿真实验验证了所提算法的有效性。
