در این رساله برای اولین بار طراحی کد برای مسئله imtsc/ceo با بیش از دو کدکننده اجرا شده است. روش پیشنهادی برای طراحی فوق مبتنی بر قالب کاری swcq چند سطحی است. tcq نزدیک ترین رفتار عمل کردی را به کوآنتیزه کننده برداری با بعد بالا دارد و قابل پیاده سازی هم هست. لذا در این رساله کوآنتیزه کننده tcq در قالب کاری swcq به کار گرفته شده است. از طرف دیگر برای پیاده سازی عملی swc، کدهای ldpc قوی ترین کدهای شناخته شده اند. از این رو برای پیاده سازی swcq در این رساله از swc چند سطحی مبتنی بر سندرم با کدهای ldpc استفاده شده است. روش پیشنهادی این رساله برای طرح سیستم کد کردن عملی برای حصول به کران های نظری مسئلهimtsc/ceo روش موفقی می باشد. این روش با انعطاف مناسبی برای حالات مختلف مسئله imtsc/ceo با تعداد بیش دو کد کننده و شرایط دلخواه برای نویزهای مشاهدات قابل به کار گیری است. مقدار تلفات مجموع نرخ (فاصله با کران نظری) روش پیشنهادی بسیار اندک است. سیستم mmbmsc به عنوان کاربردی مهم و ملموس از مسئله imtsc می باشد. با توجه به ارائه روشی در این رساله برای طرح کد برای مسئله imtsc/ceo با وجود تعداد دلخواهی کدکننده، ما سیستم mmbmsc را برای بیش از دو کامپیوتر سرویس دهنده توسعه داده ایم. نتایج شبیه سازی با سیگنال های مختلف مثل دیتا، تصویر ثابت و ویدئو نشان دهنده بهتر بودن عمل کرد سیستمmmbmsc با تعداد کامپیوترهای سرویس دهنده بیش از دو در قیاس با عمل کرد روش های چند پخشی معمول و عمل کرد سیستم mmbmsc با دو کامپیوتر سرویس دهنده می باشد. همچنین ما گونه ای ازdvc را معرفی می کنیم که مسائل imtvc و dmtvc را بتوان با آن حل کرد. در این شرایط به جای استفاده ازwzc از مفهوم mtsc که قالب کاری کلی تر و منعطف تری است استفاده می کنیم. با استفاده از روش کوآنتیزاسیون کارا و استفاده از قالب dsc قوی تر، نقصان در عمل کرد نرخ- اعوجاج را، که تقریباً در همه کارهای گزارش شده قبلی مرتبط با dvc موجود است، تخفیف داده شده است. سپس کارهای انجام یافته در عرصه سیستم های کدینگ توزیع شده مقاوم یا rdsc مورد بررسی قرار می گیرد. واقعیت این است که تا کنون در این عرصه کار زیادی انجام نشده است. ما مسئله rdsc عام را تعریف کرده و مثال هایی از آن را بررسی می کنیم. نشان می دهیم که معدود مدل های مطرح شده توسط دیگران و همچنین مدل های کلی تر مطرح شده توسط ما همگی حالت هایی خاص از مسئله rdsc عام هستند که در این رساله قالب کلی آن طرح شده است. سپس روش عملی طرح کد برای پیاده سازی مسئله rdsc را مبتنی بر قالب کاری swcq بحث می کنیم. این راه کار اولین راه کاری است که برای اجرای rdsc پیشنهاد شده و نتایج حاصل از اجرای آن موید این نکته است که روشی موفق می باشد. در ادامه ایده مسئله rdsc عام برای منابع ویدئویی و تصویری مطرح و جزئیات سیستم مربوطه معرفی می گردند. با توجه به نتایج شبیه سازی، سیستم rdsc برای منابع تصویر و ویدئو موفق بوده و دارای خواص مقاوم بودن و مقیاس پذیری مناسبی می باشد.

یکی از موضوعات مطرح در حوزه ی پردازش تصویر و ویدئو در دهه گذشته، ردیابی و تشخیص نوع رفتار اشیا متحرک می باشد. توانایی استخراج اشیا متحرک و ردیابی آن در یک دنباله ی ویدئو، اولین گام در تحلیل ویدئوهای نظارتی است. روش های زیادی در خصوص اشیا متحرک و ردیابی آن ها مطرح شده است. روش رایج تشخیص اشیا متحرک، تفاضل پس زمینه است. از چالش های مطرح در حوزه ی ردیابی، می توان وجود اشیا مشابه در پنجره ی جستجو، تغییر شکل و تغییرات روشنایی محیط و یافتن مدل پس زمینه ای دقیق برای تشخیص درست اشیا پیش زمینه را نام برد. در این پژوهش برای مدل کردن پس زمینه روش میان گیری فریم ها بکار گرفته شده است و جهت ردیابی وسایل نقلیه دو روش پیشنهاد شده است.که در روش اول از عملگر الگوی باینری محلی چند مقیاسه سلسله مراتبی و الگوریتم ژنتیک جهت ردیابی وسایل نقلیه استفاده شده است و در روش دوم الگوریتم تطبیق الگو و تانژانت فاصله به همراه فیلترکالمن بکارگرفته شده است. مزیت استفاده از فیلتر کالمن در این است که اگر اشیای مشابه در ناحیه ی جستجو وجود داشته باشد، فیلتر کالمن این مسئله را مدیریت می کند و تانژانت فاصله زمان جستجو را تا حد زیادی کاهش می دهد. مقایسه زمان جستجوی دو روش نشان می دهد که متوسط زمان جستجوی یافتن موقعیت شی در هر فریم برای روش اول 5 ثانیه و برای روش دوم 0.06 ثانیه می باشد. خروجی سیستم تشخیص و ردیابی که همانا دنباله مسیر اشیا مورد ردیابی می باشند، بعنوان ورودی در پردازش های مرتبه بالاتر مانند تشخیص نوع رفتار بکار می روند. جهت تشخیص رفتارهای نرمال و غیرنرمال وسایل نقلیه متحرک الگوریتم فازی ژنتیک که مبتنی بر الگوریتم های pittsburgh وmichigan می باشد را بکارگرفتیم. مقایسه این روش با روش efunn که شبکه عصبی فازی تکاملی می باشد، نشان دهنده ی این است که دقت الگوریتم فازی ژنتیک در کلاسه بندی رفتارها 96% و دقت شبکه ی عصبی فازی تکاملی برابر 92% است.