自动曝光系统是控制拍摄时曝光量的一个系统，自动曝光 是电子技术与人工智能相结合的产物，采用这种方式曝光时，机器不但能根据光线条件算出合适的曝光量，还能自动选择合适的曝光组合。自动曝光控制主要是以人的主观视觉为依据通过控制曝光量使图像亮度最优化的过程。当拍摄场景中目标拍摄对象与背景衬比度较低的时候，图像能够得到较好的重现，但是当拍摄对象与背景反差过大，比如背光和正面强光的时候，图像的平均亮度由背景亮度决定，通过图像普通均值的曝光控制将导致图像对主要拍摄对象的非正常曝光。 为了对背光和正面强光等特殊场景也实现准确而有效的 自动曝光控制，本文介绍了图像分区的方法，并且对每一个区域赋予不同的权值，从而计算图像的加权亮度均值，实现了较好的自动曝光。

电影作为典型的短周期、体验型产品，其票房收益受众多因素的共同影响，因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络（BPNN）的票房预测模型对目前的票房预测模型存在的不足进行改进，从而提高票房预测的精度：（1）构建基于随机森林的影响因素影响力测量模型，并以此为依据对票房影响因素进行筛选，以此来简化后续预测模型的输入；（2）考虑到不同影响因素对票房的影响力不同的现实情况，为了解决以往研究中对影响因素权重平均分配的问题，本文构建了基于加权K-均值和局部BP神经网络的票房预测模型，以因素影响力为依据对样本数据进行加权的K-均值聚类，并基于子样本构建局部BP神经网络模型进行票房预测.实验证明，本文所构建的模型平均绝对百分比误差（MAPE）为8.49%，低于对比实验的10.39%，可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.