针对无人机飞行任务规划系统中的航迹规划问题，提出了一种改进的人工蜂群算法，将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题，以蜂群为搜索单位，通过群体之间的信息交流与优胜劣汰机制，使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度；在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性；在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证，结果表明，改进后的算法提高了全局收敛能力，在收敛速度和精度上优于传统的人工蜂群算法，可有效解决无人机的航迹规划问题。

为了实现固态发酵过程状态的快速监测, 以饲料蛋白固态发酵为实验对象, 开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。 首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱, 并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理; 其次, 采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取; 最后, 采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型, 并对测试集样本进行识别。 结果显示, 与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较, SRDA-NN识别模型获得的结果最佳, 在测试集中的正确识别率达到94.28%; 为了进一步提高识别模型的准确率, 将自适应提升法(Adaboost)与SRDA-NN方法结合, 提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。 通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强, Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。 试验结果表明: 在近红外光谱定性分析模型校正过程中, SRDA方法能有效地对近红外光谱数据进行特征提取, 以实现维数约简; 另外, Adaboost算法能很好地提升最终分类模型的预测精度。