差分电容检测被广泛应用于振动陀螺仪质量块的位移测量，然而由于结构、理论以及接口电路等因素的限制其在转子式陀螺所需的转子偏转角度检测方面还尚未取得较高分辨率。本文提出了一种差分电容检测结构，用以测量一种新型转子式陀螺转子的偏转角度。本文建立了结构电容与转子偏转角度之间关系的数学模型，分析了差分电容与结构参数之间的关系，并获得了初步优化的尺寸参数。设计了一款低噪声读出接口电路将差分电容的变化转换为电压信号。对陀螺仪的转台测试结果表明，该角度检测结构的最小可分辨的偏转角度小于0.47″（0.00013°），三次多项式补偿后检测结构的非线性可达0.33%，并可进一步提高。结果表明该检测结构和电路有助于实现该陀螺仪的高精度。

本文研究了纵向通道吸气式高超声速飞行器的状态受限自适应跟踪控制问题，其中，速度、高度和攻角均要求跟踪给定的参考曲线。通过选择俯仰角作为新的输出并设计合适的俯仰角参考曲线，提出了一种新颖的间接攻角跟踪策略。基于重新定义的输出（即：速度、高度和俯仰角），给出了一种基于修正的退步控制器设计方法，其中，障碍李雅普诺夫函数用来求解控制增益未知情况下的状态受限控制问题。稳定性分析表明本方法实现了跟踪控制的目标，同时所有的闭环信号有界，状态始终满足给定约束。数值仿真验证了本方法的有效性。

基于控制器局域网的总线技术广泛应用于网络化制造系统。网络作为系统的信息通道，其可靠性对系统的吞吐量、产品质量以及工作人员的安全至关重要。然而，由于节点内部状态的不可访问性，因此使用节点内置的错误计数器值直接评估控制器局域网节点的可靠性是难以进行的。本文提出一种新颖的控制器局域网节点可靠性评估方法，该方法使用节点脱离总线时间作为可靠性测度。基于网络错误日志和错误计数器值可访问的可观测节点信息，该方法可以估计网络中节点的发送错误计数器值。首先，本文基于分段马尔科夫链建立了估计节点发送错误计数器值的模型，该模型考虑了网络中错误分布的稀疏特性。其次，通过学习可观测节点的模型估计值和实际测量值之间的偏差，建立了贝叶斯网络以表述可观测节点的模型估计值更新机制。然后，将该更新机制应用到网络中发送错误计数器值不可访问的节点，完成其模型估计值的更新。最后，建立了节点可靠性评估方法以预测节点的脱离总线时间。为表明文中方法的有效性，进行了多组实验。实验结果表明由文中方法得到的估计值与实际观测值相一致。

本文建议了一种新的窄带语音水印算法，该算法将部分语音信号替换为一个经过幅度调节和频谱成形的隐蔽信号。文中从理论上证明了若仅对一小部分载体语音作修改，则不但可以建立一个用于隐蔽通信的理想信道模型，而且还能确保隐藏信号的不可感知性和带水印信号的可懂度。在此基础上，文中建议了一个实际的系统模型。在嵌入器中，使用了能量规范化准则，使得通带水印信号的能量与原始通带语音激励信号的能量相等，然后使用合成滤波器来对该水印信号进行频谱成形。在提取器中，先用带通滤波器去除带外信号，然后用分析滤波器对失真进行补偿。实验结果显示，本文建议算法的数据速率可达400 bits/s，具有更佳的带宽效率，且有良好的不可感知性。此外，该算法对实际应用中的各种攻击也是顽健的。

本文展示了一种从两幅图像的候选匹配点集中选取几何一致匹配点组并排除离群数据（outliers）的全自动方法。在给出包含离群数据的尺度不变特征转换（Scale-invariant feature transform, SIFT）候选匹配点集合的前提下，本文旨在通过在全部微分同胚空间中搜索映射，选择匹配点子集以保留更多的几何信息。该问题可转化为包含Beltrami系数（BC）项和拟共形映射的约束最优化问题。该问题可通过变量分裂迭代算法有效求解。算法的迭代涉及线性系统和线性约束凸二次规划两子问题。本文算法简洁，对离群数据有鲁棒性。实验结果表明，与现有方法相比，本算法能够获得更多的正确匹配点。

协同过滤推荐算法利用历史数据进行预测推荐，在电子商务领域得到了广泛的应用，同时，数据稀疏问题依然存在。本文提出一种基于项目的受限玻尔兹曼机协同过滤算法，并采用了深度多层网络结构，有效缓解了数据稀疏问题，获取了更加有效的特征。将项目当作单独的受限玻尔兹曼机进行训练，不同的项目具有相同的权重值和偏置，在多层网络结构中，参数逐层被学习，采用带minibatch的批量梯度下降（Batch gradient descent, BGD）算法加快收敛速度，由多层玻尔兹曼机结构的网络学习到的新的特征向量在评分预测中具有更优的能力。在Movielens数据集上的实验结果表明，采用该方法的系统性能显著优于基于用户的受限玻尔兹曼机协同过滤方法，MAE与RMSE最优值分别达到了0.6424和0.7843。

近来，基于相关滤波器的跟踪器因具有较高的计算效率而颇受关注，但这一方法不能很好地处理遮挡和尺度变化。本文旨在将深度信息整合到基于相关滤波器的跟踪器中，以解决跟踪器在上述两种情况下的跟踪失败。同时利用RGB-D数据构建了一个深度上下文模型，用来描述目标与周边区域之间的空间相关性。此外，本文采用了区域生长法使跟踪器对遮挡和尺度变化的场景具有更高鲁棒性，并利用模型更新等优化方法来改进较长视频序列的性能。通过对极具挑战性的基准图像序列测试集的定性和定量评估，本文提出的跟踪器比最先进的算法具有更好的性能。

标记融合是医学图像处理中越来越受欢迎的一种强大的图像分割策略。然而，同时满足高精度和快速分割却是对算法的一个极大的挑战。结合局部加权表决策略和贝叶斯推论，本文提出了一种新的基于图块的分割算法。通过ANTs（Advanced normalization tools）算法将训练图谱图像向目标图像进行配准，并将配准后的训练图谱标记映射到目标图像中来获得分割结果。首先在执行局部加权表决策略中将灰度先验概率和标记先验概率作为两个关键的指标，然后在图块水平上计算这两种先验概率。接着在分析标记融合的过程中，首次提出了把图像的背景区域作为单独的一个标记值来处理，再估算标记先验概率的方案。最后，利用Dice score作为评估分割精度的标准，将该算法分割的结果与其他一些方法进行了比较，如多数表决、局部加权表决、基于图块的多数表决以及广泛运用于整个大脑分割的工具FreeSurfer。实验结果证明本文提出的算法要优于其他分割方法。在实验中，本文还讨论了不同参数（包括图块大小、图块面积和训练图谱个数）对分割精度的影响。

由于无线传感器网络中经常发生故障，网络故障管理对其维持正常运行状态非常重要。当前的故障定位方法通常先推断最有可能故障集，然后给出故障假设集。然而假设集中往往含有大量实际并未发生的故障。推断集中的冗余信息会大大加重故障推断的计算量，从而降低评估精度且增加故障定位时间。为了解决这个问题，本文提出了基于条件信息熵的冗余消除算法，该算法可以在保留核心信息的基础上消除大部分冗余信息。此外，还提出一种可以精确反映故障关系的概率关联故障模型，并为非确定性故障传播构建模型。通过一系列数学推导，本文将故障定位问题转化为覆盖件问题进行求解，并提出启发式算法推导故障假设集。在仿真环境和真实平台上验证了提出的方法相比现有故障定位方法的有效性。

互联网服务中有很多用户生成的内容（User-generated content, UGC），例如博客，微博等。在这些系统中，需要推荐算法来帮助用户过滤海量的内容。然而，传统的推荐模型没有考虑用户和内容之间的创作关系。本文中，我们验证了：通过引入创作关系信息，可以显著提高推荐算法的各项指标。基于层次主题模型和矩阵分解模型，我们构造了一个新的推荐模型。实验证明我们的新模型显著的优于其它已有模型，并且可以为用户和内容对应的主题给出直观解释。另外，由于从用户生成的内容我们可以推测其兴趣偏好，因此可以解决冷启动问题。

端口地址跳变（Port address hopping, PAH）通信是一种有用的网络动目标防御（Moving target defense, MTD）机制，它受无线通信领域的跳频通信思想启发发展而来。跳变同步是PAH通信的一个关键和难点问题，已有机制通常为通信会话提供周期为数秒或数分钟的跳变，且容易受到传输延时、流量拥塞、数据包丢包、乱序和重传等网络事件的影响。为了应对这些问题，在本文中我们提出了一种新的自同步机制，叫做基于加密哈希的自同步（Keyed-hashing based self-synchronization, KHSS）。本文方法基于HMAC（Hash message authentication code）机制生成消息认证码（MAC），MAC被进一步用作端口地址编码和解码的同步信息，为端口地址跳变系统提供了一个数据包一次的跳变和隐秘的消息认证功能，使得通过不可靠通信媒介连接的客户端和服务器能够在持续变换它们的通信标识的同时执行消息认证，而且这一过程不需要传输任何同步和认证信息。理论分析、仿真和实验结果表明本文提出的方法能有效防御中间人（man-in-the-middle, MITM）攻击和网络扫描，在安全性和跳变效率方面也明显优于已有方法。

本文提出了一种针对时钟数据恢复电路的宽范围追踪技术。与传统技术相比，本文采用带校准的数字时钟数据恢复控制器，拓展了追踪范围；同时，时钟数据恢复电路对工艺和电源电压的变化不再敏感。为了验证该技术，整个时钟数据恢复电路采用65 nm CMOS工艺实现。测试结果表明在5 Gb/s数据率下，追踪范围大于±6-3。整体接收器拥有良好的抖动容限，且误码率达到了<10-12。重新采样和串化后的串行数据的均方根抖动仅为6.7ps。

本文提出了一种用于说话人识别技术的直方图均衡化方法。该方法采用了一套增补简化特征集，用以在训练数据和测试数据较短时改进说话人识别的效果。该增补特征集采用选择算法或聚类算法从背景人声中派生得到。当输入语音数据样本不足时，本文提出的方法可作为构建直方图的特征归一化方法使用。另外，该方法作为一种i-vector归一化方法，源于一种目前较为先进的基于i-vector的概率线性判别分析（Probabilistic linear discriminant analysis, PLDA）说话人识别系统。在输入语音和增补集中，用于直方图均衡化的样本值序号均按升序进行估计。新的序列号则按不同种类的序号之和进行排列。随后，该方法采用最新的序列号得出了测试语音样本的累积分布函数。本文将这一方法与倒谱均值归一化（Cepstral mean normalization, CMN）方法、倒谱均值和方差归一化（Cepstral mean and variance normalization, MVN）方法、直方图均衡化（Histogram equalization, HEQ）方法和欧洲电信标准协会模拟前端方法进行了比较。此外，在一具体算例中将该方法性能与采用模糊C-means和K-means算法的贪婪选择算法进行了比较。采用YOHO和ETRI数据库对特征空间进行评估。测试集采用Opus VoIP编码器进行了模拟。本文还采用了2008美国国家标准技术研究所说话人识别评测语料库对该i-vector系统进行了评测。试验结果表明，与传统特征归一化方法相比，当采用所提出的方法时，平均系统性能可得到有效提提升。