本学科凝练了4个稳定的研究方向：大数据分析及应用、物联网工程与技术、软件体系结构和计算科学理论与应用。

1.大数据分析及应用方向，该方向包括：（1）深度学习理论与算法研究。主要研究类脑计算、组合优化、函数理论在深度学习上应用，并设计出深度学习通用算法平台，以利于各种大数据工程环境调用深度学习算法。重点内容：对递归神经网络的不同网络拓扑结构下的参数收敛特性进行深入研究，并在不同类别的大数据项目中反复比较各种网络结构，选择最合适的网络架构并进行算法定制和调优。（2）深度学习在网络空间安全上的应用研究。在网络空间安全的工程背景下，研究各种深度学习算法的特定衍生架构，应用于网络图像、视频和综合网页内容理解，以有效进行网络内容监控。该算法还可以应用于天文图像大数据分析。

该方向主要特色：（1）在网络内容监控领域，是国内首个实现敏感视频实时过滤算法的团队。该算法具有误判率低，占用CPU和内存资源少等特点。在网络敏感视频识别中提出用长短时记忆网络进行运动信息建模，并采用深度学习的方法进行训练，有效提高了敏感视频的识别率，并降低了误判率。（2）用Lyapunov 稳定性理论及相关不等式分析技巧，系统地研究几类变时滞递归神经网络系统的稳定性和无源性问题。

2.物联网工程与技术方向，该方向包括无线传感器网络（ZigBee），智能控制，以及地理信息（GIS）与空间定位服务（LBS）三方面的技术研究与工程实现。重点研究内容有：（1）基于DSP的无线传感器网络在智能家居中的应用。（2）基于用户端B/S方式和传感器端GPRS方式的智能控制与采集系统，该系统在智慧农业中发挥了很好的作用。（3）地理信息与空间定位服务，主要是对前端传感器采集的数据，以及智能控制的有关措施进行合理的组织编排，与区域位置数据进行准确的有序化匹配联结处理。通过对上述三方面整合，构建一个面向智慧农业的物联网综合服务平台。

该研究方向的特色：（1）传感器采集过程中的安全性、可靠性。在物联网实现物与物之间的相互联系时，涉及信息安全、网络安全、系统安全、可靠性安全等各个方面。（2）传输过程中的高效性。随着大数据产生，随着整个系统的开放，对大数据传输的要求会更高。（3）数据分析的实时性和鲁棒性。当物联网系统越来越复杂，数据处理算法的实时性和可靠性就显得很重要了。在提高硬件处理能力的同时，更需要研究各种快速且相对可靠的数据处理算法。

3.软件体系结构方向，该方向主要研究软件中间件设计、软件可靠性和互联网+软件应用开发。结合本校向应用型大学转型的政策目标，以服务地方经济为导向，通过实际软件应用开发带动软件可靠性研究和软件中间件设计。

该方向最大的特色：（1）在软件中间件设计方面，依托现有在Java和PHP两方面的应用实例基础上，分别对SSH和ThinkPHP中间件框架进行实用化修正，在实际开发中积累出一套适合自身团队开发的中间件体系。（2）在软件可靠性研究方面，结合我们现有研发的若干与地方经济接轨的互联网应用，我们建立了一套综合了快速原型法的软件工程方法、多层次的软件测试方法、基于团队的统一代码注释方法的软件可靠性保证措施。（3）结合地方经济的互联网+软件应用开发方面，我们与贵州地方的优势农业和特色产业相结合，已完成了“红城生态猪”溯源系统、酒投网等若干互联网+应用开发，在应用开发过程中，培养了一批具备坚实的互联网开发技术的教师和学生，形成了稳定的团队和应用研发机制。

4.计算科学理论与应用方向，该方向主要包括智能计算与科学计算两个子方向，针对工业产生过程中出现的各种复杂问题，建立相应的数学模型，使用基于并行异构平台的智能算法，解决工业生产和科学计算中出现的大规模全局优化问题。该方向针对复杂工业控制系统中出现的具有约束条件的单目标或多目标优化模型，使用改进的智能算法进行求解；针对工业工程和科学研究中出现的各种的复杂的超大规模全局优化问题，使用并行智能算法进行求解。

该研究方向的特色：（1）根据工业生产过程中出现的各种复杂优化问题，建立适合该问题的优化模型，针对该模型设计一系列的改进智能优化算法；（2）将基于异构系统的并行智能算法用于解决科学计算与工程应用中的大规模全局优化问题， 如煤矿安全生产过程控制、大规模网络设计优化问题、模拟电路故障诊断等问题；（3）该方向依靠中央财政支持地方高校建设的黔北“云计算中心”和贵州省普通高等学校电子制造产学研基地进行高性能计算与科学计算的处理。