针对目前临床上尚缺乏有效可行的烧伤程度精准诊断的难题，本课题组研究了基于空间频域成像的烧伤程度无创定量评估方法。本课题组通过基于单次快照多频解调方法的空间频域成像技术，实时、大面积、高分辨地反演出了与烧伤组织结构、生理特性紧密相关的光学参数(吸收系数与约化散射系数)，并结合系统聚类方法与多参数降维分析，提高了烧伤程度分类的准确性，缩短了分类时间。鼠烧伤模型的实验结果表明：动态监测光学参数的变化趋势可以显著区分出三种不同的烧伤程度，系统聚类分析缩短了分类时间，基于主因子的多参数降维分析表现出了更强的抗干扰性。本文方法为临床烧伤的早期诊断提供了一种极具潜力的实现途径。

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题, 提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法, 前者引入混合高斯分布作为先验, 通过对参数梯度进行无偏蒙特卡罗估计以优化BNN, 后者引入一种离散化的高斯先验分布以正确地定义KL散度, 进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN, 证明了改变分布组合可以获得更好的预测效果。