这项工作的目的是证明，只有通过运用理论上合理的信息方法来开发用于测量玻尔兹曼常数的模型，才能证明并计算所需的相对不确定性的值。 提出了无量纲参数（比较不确定性）作为用于比较玻耳兹曼常数和模拟数据的实验测量的通用度量。 给出了使用建议的原始方法来计算示例的示例，该方法使用声学气体温度计，介电常数气体温度计，约翰逊噪声温度计，多普勒增宽温度计来测量玻尔兹曼常数。 所提出的方法在理论上是合理的，并且没有CODATA概念固有的缺点：统计上的显着趋势，共识的累积值或统计控制。 我们试图展示如何用一种简单的，基于理论的，基于信息理论在测量中使用的假设来代替数学专家形式主义。

图像分割，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度，颜色，纹理等，而任何相邻区域之间其性质具有明显的区别。 基于信息熵的一类方法被广泛应用到图像分割领域，比如最大熵，最大交叉熵，最小交叉熵等。本文研究了基于Tsallis熵的多阈值图像分割算法，通过利用图像的灰度直方图信息，近似拟合灰度的概率分布函数，然后设定目标函数，目标函数最大化对应的阈值就是最佳阈值，相比传统算法，Tsallis熵的阈值分割方法，能够克服一定的噪声干扰，同时避免了单阈值的问题，能够分割多个感兴趣区域。 本文最后在matlab环境中进行真实图像的分割实验，结果表明，这种方法能够较好的克服图像细节分割不准的问题，同时能够针对多个灰度级别进行分割，大大提高分割的准确率。