Wang Xiaoyun等(2005)给出了MD5能产生碰撞的一个充分条件集，并首次成功对MD5进行了碰撞攻击。Yuto Nakano等(2006)指出上述充分条件集中有16个条件是冗余的，并给出了其中14个条件冗余的原因。Liang Jie和Lai Xuejia(2005)指出Wang Xiaoyun等给出的充分条件集并非总能产生碰撞，并增加新的条件使之总能产生碰撞，同时提出了一个新的碰撞攻击算法。本文证明了Yuto Nakano等给出的16个冗余条件中有两个并不冗余，且Liang Jie和Lai Xuejia增加的新条件中有两个是冗余的，指出Liang Jie和Lai Xuejia的碰撞攻击算法在消息修改时忽视了被修改条件之间的制约性，因而未必总能产生碰撞，本文对此进行了修正，给出新的充分条件集，并通过实验验证了该充分条件集总能产生碰撞。

在目标识别中，对于样本数较多且分布复杂的数据，若将所有训练样本用来训练一个单一的分类器，会增加分类器的训练复杂度，且容易忽视样本的内在结构，不利于分类。因此人们提出了混合专家系统(ME)，即将训练样本集划分为多个训练样本子集，并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数，并且每个子集的学习独立于后端的任务，如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法，采用DP混合模型自动确定样本聚类个数，同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法，DPLVSVM 将聚类过程和分类器的训练过程联合优化，保证了各个子集中样本的分布上的一致性和可分性，而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。