针对现有神经网络剪枝方法未全面评估滤波器的重要性以及跨层滤波器的重要性间存在一定差异的问题，提出了一种基于多源信息的全局滤波器剪枝算法，建立了特征和权重信息间的连接.首先，根据特征信息较为丰富和权重信息受数据噪音影响低的特点，分别以特征间相关性和权重熵来评估滤波器的相对和绝对重要性.然后，将每层中不同压缩比例的滤波器看作一个整体，评估其对模型的全局重要性，按照压缩需求跨层剪掉模型中最不重要的部分.最后，采用知识蒸馏的方式来恢复剪枝后模型的精度，不依赖其他数据集就能完成模型的压缩与微调.为了验证所提方法的适用性，针对DeepLabV3、DABNet和U-Net网络在三个语义分割数据集上进行了大量的实验.也针对多种深度的ResNet网络在图像分类数据集上进行了验证.实验结果表明，通过多源信息可以更精确的评估单层中滤波器的重要性，通过全局重要性来指导跨层剪枝可以使模型的关键信息损失降到最低.

小样本学习任务旨在仅提供少量训练样本的情况下完成对测试样本的正确分类.基于度量学习的小样本学习方法通过将样本映射到嵌入空间中，计算样本间距离得到相似性度量以预测类别，但仅对样本特征进行独立映射，而忽略了对整个任务的观察，同时在小样本场景下通过传统方法计算的原型与期望原型存在偏差，导致在查询集上泛化性较低.针对上述问题，提出了特征关系依赖网络(FRDN).特征关系依赖网络包含两个模块：首先使用关系挖掘模块充分挖掘任务中样本的类内与类间关系，将其作为自注意力值对类簇进行调整，以获得判别性更高的任务自适应嵌入空间，计算初始原型；随后使用偏差抑制模块对初始原型进行校正，得到在查询集上泛化性更高的优化原型，进一步提高模型的分类准确率.在MiniImagenet数据集上，该方法1-shot分类准确率59.17%，5-shot准确率74.11%，分别超过传统度量学习方法6.13%与2.83%；在CUB数据集上分别提升9.3%和2.74%.

近年来，具有生理学基础的脉冲时间依赖可塑性(Spiking Timing-Dependent Plasticity，STDP)规则在脉冲神经网络中得到了越来越多的应用.由STDP规则和奖惩机制相结合的R-STDP(reward-modulated STDP)学习算法在改善脉冲神经网络的性能上有良好的效果.但R-STDP算法在训练多层脉冲神经网络时，仍存在反馈信号仅作用于网络末层、中间层无法获得有用奖惩信号.为此，利用自编码器的无监督特性，提出一种具有混合奖惩信号的MR-STDP(Mix Reward-modulated STDP)算法.在中间层中增加重构层以够建基于卷积自编码器的奖惩信号因子模型，通过比较卷积层和重构层的神经元脉冲发放时间，获取中间层网络权重调整的指导因子信号.指导因子信号是对比层间自编码器的输入层与重构层的相同位置神经元所发放的脉冲序列相似性度量指标，并将其与R-STDP相结合，使得中间层能够获得权重指导信号.在MNIST和COVID-19 CT数据集上的实验结果表明，该方法取得了比R-STDP更高的精度，且中间层网络的学习效率大幅提高.

密度峰值聚类算法(Clustering by fast search and find of density peaks，DPC)的截断距离参数需人工干预，且参数选取对聚类结果产生较大的影响.为解决这一问题，提出了一种基于改进果蝇优化的密度峰值聚类算法.通过Tent混沌映射初始化果蝇种群，利用Tent混沌序列随机性、遍历性和规律性的特点来提高初始种群的多样性，增强算法的全局探索能力；并引入动态步长因子与柯西变异策略对基本果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的更新机制进行改进，加强局部勘探能力，帮助算法跳出局部最优；利用随机算法收敛准则从理论上对改进FOA算法的收敛性进行分析；在6个基准测试函数上进行实验仿真，结果表明改进的FOA算法具有更快的收敛速度及更高的求解精度；将改进FOA算法与DPC算法融合成新算法，利用改进FOA算法较强的寻优能力找到最佳截断距离并实现最终的聚类.实验结果表明，新算法在UCI数据集及人工数据集上的聚类性能均有改善，相较于DPC算法、FOA-DPC算法、FADPC算法及ACS-FSDP算法具有更优的性能指标，有效抑制了手动选取截断距离参数带来的影响问题.

针对粗糙集模型中特征选择方法存在计算开销大、不能直接处理连续数据，以及海洋捕食者算法(MPA)处理优化问题仍存在收敛速度慢、易陷入局部最优等问题，提出了基于邻域粗糙集(NRS)和海洋捕食者算法的特征选择方法.首先，使用基于Tent混沌映射的反向学习和高斯扰动策略对原算法改进得到IMPA，再构建一种传输机制形成一种二进制算法；然后，基于邻域依赖度和特征子集长度构造适应度函数，使用IMPA不断迭代搜索出最优特征子集，设计一种元启发式特征选择算法.最后，在9个基准测试函数上评估IMPA的优化性能以及在UCI数据集上评估特征选择算法的分类能力.实验结果表明，在9个基准测试函数上IMPA的平均值、标准差明显优于粒子群优化算法(PSO)和樽海鞘算法(SSA)；在UCI数据集上，同基于粗糙集的优化特征选择算法、基于邻域粗糙集的优化特征选择算法相比，所提的特征选择方法在KNN分类器下的分类精度平均值分别提高了10.28~14.13个百分点、2.71~12.11个百分点，在CART分类器下的分类精度平均值分别提高了9.41~13.24个百分点、2.90~12.31个百分点.

目前，基于卷积神经网络的动态手势识别方法取得了巨大的进展，但神经网络模型具有很大的参数量，计算成本和内存占用较大，很难应用在设备资源有限的场合.以减少计算量和参数量为出发点，提出了一种轻量级(2+1)D卷积结构.该结构在(2+1)D卷积结构的基础上，将其中的3D卷积替换为3D深度可分离卷积，在输出向量维度不变的前提下，进一步减少了(2+1)D卷积结构的计算量和参数量.为了弥补时空特征在表征动态手势上的不足，融合注意力机制模块，专注于对运动特征的提取，结合轻量级(2+1)D卷积结构提取的时空特征，可以更好地表征手势动作.实验结果表明，注意力机制模块的插入，在不增加太多额外计算和空间成本的前提下，进一步提高了模型的识别精度.基于以上结构构建的模型，在20BN-jester、EgoGesture和IsoGD数据集上分别取得了96.62%、91.83%和60.1%的识别精度，模型参数量和浮点计算量分别为5.05M和12.81GFLOPs，相比于其他手势识别模型，计算成本和内存占用大大减少，实时手势识别速度达到每秒70帧.

人脸表情识别技术在社会生活、刑事侦探等领域中具有重要应用价值和广阔应用前景.现有方法对表情特征提取不充分，使得高维特征易丢失局部关键信息；同时在复杂背景下表情的二义性导致网络泛化能力弱.为解决这些问题，本文提出一种多注意力机制下自愈网络(Multiple Attention Self Curing Network, MASCNet).该网络生成带有注意力权重的多尺度特征，通过融合不同尺度特征，提高网络模型在细粒度下对局部关键信息的表征能力.自注意力机制模块为融合后的特征分配重要性权重，约束不确定性样本在网络训练中所占比重，提高网络的泛化能力.本文方法在FER2013和RAF-DB数据集上的最高的识别正确率分别为74.21%和88.74%.实验结果表明该方法能有效识别人脸表情，优于现有MHBP、AHBRPN等主流方法.

为高效提取视频时空特征以提高视频预测准确性，提出了注意力时空解耦3D卷积LSTM算法.首先，将卷积LSTM内部单元的传统2D卷积运算改为3D卷积，额外提取视频帧间短期空间运动信息；并借助注意力机制自动捕捉视频帧间长期动态信息的相关性.其次，由于卷积LSTM网络中特征信息在所有层的Z型传递方式会导致梯度消失，为此在网络结构中加入层间高速通道优化不同层间LSTM单元视频信息流的传递过程.同时，时间特征和空间特征在网络中会彼此干扰学习冗余功能，造成特征信息的低效获取以及网络预测质量的降低，为此在损失函数中加入时空解耦运算分离时间特征和空间特征的学习.最后，针对训练编码阶段和预测解码阶段的数据输入过程，提出数据输入重采样，在模型训练和预测阶段使用相近相反的数据输入策略减少编码器和解码器的差异.在合成数据集以及人体动作数据库上的实验结果表明，该算法模型在时空特征提取上有更好的性能.

现有的脉冲神经网络模型软件模拟通常具有处理速度慢、功耗高的缺点，同时利用硬件电路实现则具有开发难度大、灵活性差的缺点.为了探索合理实现脉冲神经网络模型的途径，在己有研究成果的基础上综合考虑两种方案的优缺点，提出了利用软件库模拟脉冲神经元数学模型以及网络的拓扑结构、并将网络运行时的关键计算任务以计算内核的方式交由基于OpenCL的FPGA并行计算的新思路.主要工作为：使用模块开发方式对脉冲神经网络软件开发库和OpenCL开发库进行了扩展、并将软件开发库中的重要模块重构成FPGA计算内核，使得软件开发库能够调用FPGA执行计算任务，最终达到利用两个库构建运行网络模型时能够同时满足易于开发、灵活性高、处理速度快、功耗低等要求的目的.基于MNIST图像数据集的图像分类实验表明，同一网络模型拓扑结构下，与在GPU上的软件模拟相比，提出方案的图像分类准确率并没有下降，同时以略微牺牲运行性能为代价，参考功率降低了约63.6%.

模拟电路可测性设计中的测试节点选择方法通常使用一个电压阈值来确定所有故障的模糊程度，但实际上不同的故障需要的电压阈值是不同的.针对电压阈值设定问题，提出了一种基于聚类的故障混叠度计算方法，用于度量故障间的模糊程度.在此基础上，设计了一种模拟电路多目标测点选择方法，用于平衡测点数和隔离的故障数量之间的关系，以在尽可能少的测点数量下获得最大的故障隔离数.首先，利用小波包变换提取模拟信号特征；然后，通过聚类计算不同故障间的混叠度；最后，以故障隔离度和测点数量为目标，采用非支配排序遗传算法(NSGA-Ⅱ)搜索测点集，实现模拟电路的测点选择.实验结果表明，相较于现有的测点选择方法，该方法在测点数量尽可能少的情况下可以获得最大的故障隔离数，实现了测点的优选.

小电流接地系统单相故障选线问题是配电网电力系统故障中的一个重要问题.由于电力故障数据具有时间延续性，并且电力故障数据的数据长度过长，现有的研究工作不能有效区分具有时序性的单相接地故障电流的特征.针对这些问题，提出一种基于自注意力的TCN+Transformer混合神经网络模型(称为TTHNN-SA模型).由于电力故障数据的特征单一，使用小波变换分解和主成分分析(PCA)方法能增加样本数据的特征量.TTHNN-SA模型使用时间卷积网络(TCN)分别对原故障数据和对原故障数据使用小波变换分解后的数据进行卷积操作提取特征，使用Transformer对经过主成分分析方法处理后的样本数据进行特征提取.然后将三个模型提取的特征矩阵进行融合后输入到自注意力层，通过自注意力机制的矩阵计算给重要特征分配更高权重，并且能解决模型的长时依赖问题.最后将自注意力层的输出通过全局平均池化后使用softmax函数进行分类.TTHNN-SA模型能更全面的学习到不同波形故障之间的电流数据关系，TTHNN-SA模型对配电网单相故障的检测具有良好的效果.

针对零空闲流水车间调度问题(NFSP)，提出了一种新混合鸟群算法(NHBSA)以最小化最大完工时间.首先，对一种FRB(Farahmand-Ruiz-Boroojerdian)启发式算法进行了改进，在初始化阶段结合改进的FRB算法和混沌映射来改善种群的质量和多样性.其次，采用SPV(Smallest-Position-Value)规则在连续的位置和离散的工件排序之间进行转换，使算法适用于求解离散的调度问题.最后，借鉴变邻域搜索和迭代贪婪算法的思想针对种群最佳工件排序提出了一种局部搜索方法，以提升算法收敛的精度和跳出局部最优的能力.基于广泛使用的Taillard标准测试集进行了仿真测试，并与多种针对NFSP的元启发式算法相比较，结果显示，所提出的算法在保证良好稳定性的前提下，得到的平均百分比相对偏差(APRD)和性能提升百分比(PIP)较对比算法分别改善了71.017%和4.653%.

近年来以深度学习和自然语言处理为代表的人工智能技术取得巨大突破，推动了司法智能化方法的发展。目前深度神经网络技术在法律审判领域应用受到广泛关注和发展.本文以BERT模型为基础，采用自然语言处理技术对于法律陈述事实文本进行学习，实现模型对于法律案例的智能分析能力.在模型中充分利用多层次的多头自注意力机制，从多个特征维度进一步理解了法律文本的语义信息，完成了罪名预测、法律条款推荐、刑期预测多个司法智能预测功能.通过智能司法判决的多任务学习，深入挖掘了各个子任务之间的相关性，提升了法律文本特征的提取能力，从而模型能够实现更好的泛化效果.使用公开数据集进行对比实验，验证了该方法的优异性能.

针对强噪声背景下通信信号的分析识别困难问题，提出一种基于拉格朗日乘子-辛奇异值模态分解(vSSMD)的奇异谱分析(SSA)降噪方法.鉴于噪声的随机变化使得采用功率谱密度方法计算嵌入维度时有较大误差，引入蒙特卡洛思想确定嵌入维数.噪声较大时，vSSMD通过构建拉格朗日乘子矩阵增强有用分量并抑制表示为噪声的残余信号，然后采用SSA方法去除vSSMD重构信号中的微弱噪声.将vSSMD-SSA算法的去噪效果与SSA、vSSMD方法进行比较，当信噪比为-14dB时，vSSMD-SSA算法相较于传统算法SSA信噪比提升了4.49dB，均方误差提升了38.25%.实验结果说明在低信噪环境比下，vSSMD-SSA算法的去噪效果最好.将vSSMD-SSA算法用于无人机通信信号去噪，降噪效果最明显.

针对高速电容型数字隔离器在"低速"应用下的高电流消耗问题，基于TSMC 180nm BCD工艺设计了一种基于OOK调制的低静态功耗全差分数字隔离器结构.通过发送机的逻辑控制电路产生的三组开关信号及振荡器模块产生的载波信号，提出的结构实现了对输入信号的调制.在传输信号频率变化时，基于跨导线性环结构的中点电位偏置电路将差分信号的直流电压均稳定在VDD/2附近，从而有效避免接收端直流电平衰减造成的误码.经由前置放大器放大后，接收端信号通过双阈值比较器完成解调.PVT仿真表明，在输入电源电压3~5.5V范围内，均可实现最高10Mbps传输速率，典型传输延时为13ns；典型情况下静态功耗仅为1.3mA，在1Mbps及10Mbps速率下的典型动态功耗分别为4mA及4.8mA.此设计支持多通道扩展，可通过共享内部振荡器及偏置模块进一步减小单通道平均功耗；此外隔离器在最高10Mbps输入PRBS(Pseudo-Random Binary Sequence)码下仍可准确解码，证明了此结构具有较强的传输鲁棒性.