随着当今信息技术的飞速发展，信息的存在形式多种多样，来源也十分广泛。不同的存在形式或信息来源均可被称之为一种模态，由两种或两种以上模态组成的数据称之为多模态数据。多模态数据融合负责将多个模态的信息进行有效的整合，汲取不同模态的优点，完成对信息的整合。自然现象具有十分丰富的特征，单一模态很难提供某个现象的完整信息。面对保持融合后具有各个模态信息的多样性以及完整性、使各个模态的优点最大化、减少融合过程造成的信息损失等方面的融合要求，如何对各个模态的信息进行融合成为了多个领域广泛存在的一个新挑战。简要阐述了常见的多模态融合方法、融合架构，总结了三个常见的融合模型，简要分析协同、联合、编解码器三大架构的优缺点以及多核学习、图像模型等具体融合方法。在多模态的应用方面，对多模态视频片段检索、综合多模态信息生成内容摘要、多模态情感分析、多模态人机对话系统进行了分析与总结。指出了当前多模态融合出现的问题，并提出未来的研究方向。
人工神经网络与其他学科领域联系日益紧密，人们通过对人工神经网络层结构的探索和改进来解决各个领域的问题。根据人工神经网络相关文献进行分析，综述了人工神经网络算法以及网络模型结构的发展史，根据神经网络的发展介绍了人工神经网络相关概念，其中主要涉及到多层感知器、反向传播神经网络、卷积神经网络以及递归神经网络，描述了卷积神经网络发展当中出现的部分卷积神经网络模型和递归神经网络中常用的相关网络结构，分别综述了各个人工神经网络算法在相关领域的应用情况，总结了人工神经网络的未来发展方向。
文本情感分析是自然语言处理领域的一个重要分支，广泛应用于舆情分析和内容推荐等方面，是近年来的研究热点。根据使用的不同方法，将其划分为基于情感词典的情感分析方法、基于传统机器学习的情感分析方法、基于深度学习的情感分析方法。通过对这三种方法进行对比，分析其研究成果，并对不同方法的优缺点进行归纳总结，介绍相关数据集和评价指标及应用场景，对情感分析子任务进行简单概括，发现将来的情感分析问题的研究趋势及应用领域，并为研究者在相关领域方面提供一定的帮助和指导。
随着组学新测序技术的不断涌现和推广，产生了大量的组学数据，这些数据对人们深入研究和揭示生命奥秘有着极重要的意义。利用多组学数据整合技术分析生命科学问题可获得更丰富更全面的生命系统相关信息，已成为研究者探索生命机制的新方向。介绍了多组学数据整合分析的研究背景和研究意义，综述了近年来多组学数据整合分析的方法和相关领域的应用研究，探讨了多组学数据整合分析方法当前所存在的问题以及未来展望。
使用深度强化学习解决单智能体任务已经取得了突破性的进展。由于多智能体系统的复杂性，普通算法无法解决其主要难点。同时，由于智能体数量增加，将最大化单个智能体的累积回报的期望值作为学习目标往往无法收敛，某些特殊的收敛点也不满足策略的合理性。对于不存在最优解的实际问题，强化学习算法更是束手无策，将博弈理论引入强化学习可以很好地解决智能体的相互关系，可以解释收敛点对应策略的合理性，更重要的是可以用均衡解来替代最优解以求得相对有效的策略。因此，从博弈论的角度梳理近年来出现的强化学习算法，总结当前博弈强化学习算法的重难点，并给出可能解决上述重难点的几个突破方向。
图像质量评价是对图像或视频的视觉质量的一种度量，主要分析了最近10年图像质量评价算法的研究情况。介绍了图像质量评价算法的衡量指标以及常用的图像质量评价数据集，对图像质量评价方法的分类做了阐述，重点分析了基于深度学习技术的图像质量评价算法。目前，该类算法的基础模型主要包括深度卷积神经网络、深度生成对抗网络和变换器，其性能通常高于传统的图像质量评价算法。描述了基于深度学习技术的图像质量评价算法的原理，重点介绍了基于深度生成对抗网络的无参考图像质量评价算法，通过增强对抗学习强度提高模拟参考图的可靠性。深度学习技术需要海量训练数据的支持，探讨和总结数据集增强的方法，对数字图像质量评价方法的未来研究进行展望。
路径规划的目的是让机器人在移动过程中既能避开障碍物，又能快速规划出最短路径。在分析基于强化学习的路径规划算法优缺点的基础上，引出能够在复杂动态环境下进行良好路径规划的典型深度强化学习深度Q-学习网络算法。深入分析了德奎因算法的基本原理和局限性，对比了各种德奎因变种算法的优势和不足，进而从训练算法、神经网络结构、学习机制、AC（演员-关键）框架的多种变形四方面进行了分类归纳。提出了目前基于深度强化学习的路径规划方法所面临的挑战和亟待解决的问题，并展望了未来的发展方向，可为机器人智能路径规划及自动驾驶等方向的发展提供参考。
精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况，合理分配并高效利用网络资源，以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索，阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用，具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法，并重点介绍了近年来针对不同问题所提出的改进神经网络模型，总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。
盲人是人类社会中的弱势群体，且呈逐年增加的趋势。为盲人提供安全可靠、智能高效的出行保障，是社会进步的重要标志。分类介绍了国内外智能导盲杖、穿戴式导盲设备、手持式导盲仪、基于智能终端的导盲系统、移动式导盲机器人的研究成果。总结了导盲机器人环境感知、定位与导航、人机交互共性关键技术的研究现状。结合最新的云平台和移动通讯等技术展望了导盲机器人的未来发展趋势。
多智能体深度强化学习是机器学习领域的一个新兴的研究热点和应用方向，涵盖众多算法、规则、框架，并广泛应用于自动驾驶、能源分配、编队控制、航迹规划、路由规划、社会难题等现实领域，具有极高的研究价值和意义。对多智能体深度强化学习的基本理论、发展历程进行简要的概念介绍；按照无关联型、通信规则型、互相合作型和建模学习型4种分类方式阐述了现有的经典算法；对多智能体深度强化学习算法的实际应用进行了综述，并简单罗列了多智能体深度强化学习的现有测试平台；总结了多智能体深度强化学习在理论、算法和应用方面面临的挑战和未来的发展方向。
注意力机制因其优秀的效果与即插即用的便利性，在深度学习任务中得到了越来越广泛的应用。主要着眼于卷积神经网络，对卷积网络注意力机制发展过程中的各种主流方法进行介绍，并对其核心思想与实现过程进行提取与总结，同时对每种注意力机制方法进行实现，针对同型号辐射源设备实测数据进行对比实验与结果分析，并依据主流方法的思想与实验的结果总结并阐述了卷积网络中的注意力机制的研究现状与未来其发展方向。
随着深度学习的不断发展与图像数据的爆炸式增长，如何使用深度学习来获得更高压缩比和更高质量的图像逐渐成为热点研究问题之一。通过对近几年相关文献的分析与整理，将基于深度学习的图像压缩方法按照卷积神经网络、循环神经网络、生成对抗网络进行总结与分析，对不同种方法分别列举了具有代表性的实例，并对基于深度学习的图像压缩算法的常用训练数据集、评价指标进行了介绍，根据深度学习在图像压缩领域中的优势对其未来的发展趋势进行了总结与讨论。
图像去噪是利用图像序列的上下文信息去除噪声，从而恢复出清晰图像的一种技术，是计算机视觉领域重要研究内容之一。随着机器学习的发展，深度学习在图像去噪领域得到广泛应用，成为处理图像去噪的有效解决方法。分析了深度学习图像去噪方法；依据网络结构详细分析了图像去噪方法的思想，并对优缺点进行梳理总结；通过在DND、PolyU等数据集上的实验结果，对比分析基于深度学习去噪方法的性能；对图像去噪研究的关键问题进行总结，并讨论该领域未来研究的发展趋势。
揭示股票市场运行规律一直是研究的热点，近些年机器学习方法在股票预测方面取得了不错的进展，相较于传统的基本面分析、技术分析等方法，显示了独特的优势。从股票预测研究的主要问题、特征工程和机器学习算法应用等三个方面，对近年来该领域的主要文献进行总结，并针对每种算法在应用中的特点与不足进行评述。围绕目前机器学习在股票预测上遇到的主要问题，从迁移学习、特征工程、深度学习模型融合等方面进行了深入的分析与展望。
路径规划是移动机器人的热门研究之一，是实现机器人自主导航的关键技术。针对移动机器人路径规划的算法进行研究，以了解不同条件下路径规划算法的发展与应用，系统性地总结了路径规划的研究现状和发展。针对移动机器人路径规划的特点，将其划分为智能搜索算法、基于人工智能算法、基于几何模型算法和用于局部避障算法。基于上述分类，介绍了近年来具有代表性的研究成果，重点分析各类规划算法的优缺点，对移动机器人路径规划的未来发展趋势进行展望，为移动机器人路径规划研究提供一定的思路。
数据融合是最大程度发挥大数据价值的关键，深度学习是挖掘数据深层特征信息的技术利器，基于深度学习的数据融合能够充分挖掘大数据潜在价值，从新的深度和广度拓展对世界的探索和认识。综述了近几年基于深度学习的数据融合方法的相关文献，以此了解深度学习在数据融合中应用所具有的优势。分类阐述常见的数据融合方法，同时指出这些方法的优点和不足。从基于深度学习特征提取的数据融合方法、基于深度学习融合的数据融合方法、基于深度学习全过程的数据融合方法三个方面对基于深度学习的数据融合方法进行分析，并做了对比研究与总结。总结全文并讨论了深度学习在数据融合中应用的难点和未来需要进一步研究的问题。
