针对目前曲面翘曲变形描述不充分、检测效率低的问题，定义自由曲面的翘曲变形描述方式，提出基于点云特征对比的曲面翘曲变形检测方法. 研究一系列算法，开展曲面单层点云提取，通过对比曲面实测点云与模板点云的空间位置获取翘曲变形区域；通过计算获得翘曲距离和翘曲张角，描述翘曲的变形程度和变化趋势. 实例分析结果表明，提出的方法不需要进行曲面重建，直接通过点云特征对比进行曲面翘曲变形分析，在保证精度的同时，在效率上比三维重建方法检测翘曲有了较大的提高.

为了实现针对特定个体的运动特点进行更精确的下肢连续运动预测和用更短的时间开展预测模型训练，采用对每个步态相位都建立预测模型的方法. 在识别出当前的步态相位后，使用当前相位的预测模型进行关节角度的预测. 使用支持向量机（SVM），对提出的方法进行验证. 实验表明，采用基于相位划分的下肢连续运动预测方法相比于对整个运动状态进行关节角度建模的预测方法，具有更高的预测精度和更短的模型训练时间. 髋、膝、踝关节的预测结果与真实值的相关系数均大于0.99，每次预测的角度与真实值的平均均方根误差均小于2°，训练时间缩短4.0~5.0倍.

针对无人机通过视觉对地面动态目标跟踪过程中视角固定易丢失目标，以及在着陆过程中由于成像畸变严重、画面不稳定导致定位精度差的问题，提出随动视觉跟踪的跟踪控制策略和基于视觉联合磁引导的获取无人机高精度相对位姿的方法. 在跟踪过程中，设计新型信标图案供无人机进行视觉识别获取目标的方位，识别速度可以达到5 ms/帧，通过随动视觉跟踪完成实时跟踪. 在着陆过程中，在动态目标上设置磁源，利用无人机检测磁场特性并通过BP神经网络解算相对位置；在信标图案内设置平行线特征，用于近镜头时辅助视觉解算相对角度. 在获取无人机相对位姿后，进行相应的运动控制即可完成着陆. 实验结果表明，跟踪过程稳定可靠，抗干扰能力强；着陆精度高，着陆误差小于2 cm.

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题，提出基于深度神经网络的多因素融合终端换机预测模型. 该模型使用长短时记忆网络（LSTM）提取用户通话、流量使用行为序列特征，使用全连接网络融合用户自然属性、行为序列特征和历史换机信息，预测用户是否换机. 实验表明，基于深度神经网络的多因素融合终端换机预测模型能够考虑影响用户换机的多种因素，充分挖掘用户通话、流量使用行为序列特征；当召回率为0.135时，相比于传统模型精确率提高了34.3%.

为了提高偏转人脸转正的效果，借鉴双通道生成对抗网络（TP-GAN）双通道生成的思想，将原始网络中的深度卷积生成对抗网络（DCGAN）替换成边界均衡生成对抗网络（BEGAN）. 在传统两者对抗的网络结构中加入判别人脸身份的分类器，形成三者对抗的网络结构. 经实验对比可知，与在生成器损失函数中添加约束相比，结构上加入分类器对人脸身份一致性的保持更加有效. TP-GAN存在训练复杂、模式崩溃等难题，使用BEGAN的网络结构，可以避免这些问题，提高训练效率. 在Multi-PIE数据集及LFW上的实验结果表明，利用提出的方法能够高效地生成高质量的正面人脸图片，且保留人脸的身份特征.