现有的基于密度的数据流聚类算法难于发现密度不同的簇，难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中，基于共享最近邻图定义了共享最近邻密度，结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素，使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度，以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法，维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量

为了进一步研究热压缩及热处理过程对组织及取向变化的关联性, 通过对TC17进行热压缩变形及后续热处理, 利用光学显微镜和背散射电子衍射等分析方法, 结合晶粒尺寸、织构分布图、极图以及反极图, 研究变形后及热处理后的TC17的组织结构、晶粒尺寸的变化和取向的演变规律以及两者之间的关联性.结果表明: 随着变形温度升高, 初生α相含量大幅减小, 尺寸减小, 大部分α相晶粒分散分布, 且位于高温β相晶粒的三叉晶界上; 热处理后, α相和β相组织特征清晰, 界限明显, 初生α相依旧存在, 且趋于等轴化, 亚稳定β相发生转变, 形成片层状β转变组织; 热变形使α相织构极密度值减小, 且随之温度增加, α相织构极密度值也变小; 热变形后的α相已不存在明显的强织构, 热变形对α相晶粒的取向影响较大, 很明显的改善了其取向的均匀性; 热变形同样使β相织构极密度值减小, 但效果不明显.β相仍存在取向集中现象, 取向均匀性相对较差

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

围绕高炉雷达料面监测系统成像需求，针对高炉雷达测量目标的雷达横截面积（radar cross section，RCS）展开应用研究，首次实现了微波暗室中高炉料线RCS的高精度自动化测量，为高炉雷达目标特性的深入研究奠定了硬件基础.基于比较法测得10 GHz处的焦炭、烧结矿颗粒的RCS典型值分布以及高炉料线散射方向性图，测量动态范围为-10~15 dB.通过RCS测量和成像诊断等方法对工业现场布焦、布矿的雷达回波信号强度差别大等问题进行了探索和分析.模拟工业现场的焦炭、烧结矿等平台加漏斗的料线形状，对散装物料进行了等比例缩小的实际摆放，对典型料线缩比模型进行了合成孔径雷达（synthetic aperture radar，SAR）成像验证，并深入分析了成像缺失和成像误差原因，得知漏斗部分在低频情况下成像效果不理想，需要提高测试频段；利用标准球模拟料线分析成像误差，方位向和距离向绝对误差在1.2%和5.8%以内，暗室内方位向测量误差不超过±0.01 m