毕设选题像看房：三个方向，42 个题直接抄

每年这个季节，总有学弟学妹来问我同一个问题——毕设到底该选什么题。

我把能选的题库摊开算了算，三百多个候选摆在面前，看完反而更慌了。

所以这次换了个思路。不按技术栈分类，按看房分类。

毕设选题很像看房，先看的不是装修，是你要住进哪一类房子。 三个方向就是三套样板间，每套 14 个户型，一共 42 个，都能直接写进开题报告。

这几年的口径明显收紧了，套模板改皮的项目越来越难交代。所以这次每个题我都标了一个「能扛住追问的点」——不是为了好看，是为了答辩时那几句追问接得住。

01 · 三套样板间：网站、大数据、深度学习

三个方向的门槛，其实差别挺大。

网站方向最怕的就是「就是个增删改查」。这一套 14 个题的共同解法是：把一个真实的 AI 能力挂进业务主流程，让 AI 成为系统的一部分而不是个摆设。答辩时「AI 到底在哪一步起作用」能当场演给你看。

大数据方向的关键变化是：不能只做可视化。可视化讲的是「过去发生了什么」，预测才能告诉别人「接下来会怎样」，而老师要的正是后者。所以这一套全部落到回归、分类或推荐任务上，模型统一用梯度提升树——对表格类数据效果扎实、调参空间小，特征重要性能直接回答「你为什么用这个模型」。

深度学习方向是三套里门槛最高的一套，但也是最不容易被质疑「这算不算毕设」的一套，因为它有真实的数据集、真实的模型和可量化的指标。这一套保留原题，选的是数据公开、方法成熟、容易在有限时间内跑出结果的经典方向。

02 · 户型一：网站方向，14 个 AI 助手题

原题基础上统一加 AI 助手，业务主体不变，但每个题都有一个真能跑的 AI 环节。

● AI 考研助手——资料、真题解析和经验帖整合进一个系统，AI 负责答疑和资料匹配，故事线最完整

● AI 学习助手——课程资料沉淀加 AI 答疑，演示时能直接演「问一句答一句」

● AI 阅读助手——推荐算法加 AI 荐书理由，指标和解释两不误，答辩有话可说

● AI 求职助手——简历解析加岗位匹配，AI 给出「为什么推荐这条」的理由，演示效果最直观

● AI 导诊助手——按症状描述分流到对应科室，AI 只做导诊不碰诊断，边界讲得清反而显得专业

● AI 健康助手——血压血糖随访加 AI 健康提醒，真实需求明确，不用硬编故事

● AI 行程助手——按天数和偏好自动排路线，AI 解释为什么这么排，区别于普通旅游网站

● AI 训练助手——会员课程排期加 AI 训练计划，场景天天有人用，落地性强

● AI 反诈助手——真实案例加 AI 识骗提示，社会价值高、素材好找

● AI 菜谱助手——按冰箱现有食材推菜谱，AI 补齐步骤，交互有记忆点

● AI 匹配助手——宠物救助领养双方需求交给 AI 做匹配，数据量和故事都够讲

● AI 验机助手——上传机型照片给验机建议，图像加文本双模态，技术点高一档

● AI 找房助手——自然语言描述需求，AI 转成筛选条件，演示说服力强

● AI 出题助手——文本出题加主观题辅助阅卷，通用场景好复用

挑这一套的建议：先看哪个 AI 环节是你能真跑通的。讲故事不如跑通一个真实调用点来得有说服力。

03 · 户型二：大数据方向，14 个预测题

原题统一加预测前缀并挂上 LightGBM 或 XGBoost，从「看得见」变成「算得出」。

● 电商商品销量预测——梯度提升树做回归，特征工程加销量曲线，评价指标清晰，最好复现

● 二手房成交价格预测与评估——房屋特征到成交价，模型反过来还能做估价，故事闭环

● 二手车价格预测——车龄、里程、品牌的折旧建模，公开数据好找，工作量可控

● 招聘岗位匹配与薪资预测——岗位要求与简历做匹配，薪资区间同时给出，一题两用

● 电商用户流失预警与挽留——行为序列做分类，输出流失概率和干预建议

● 城市交通流量预测——时段加路段特征，配合拥堵预警可视化，出片效果很好

● 医院门诊量预测与排班优化——按科室和时段预测，直接支撑排班决策，答辩有据可依

● 糖尿病风险预测——体检指标预测风险等级，公开数据集多，模型可解释性是加分项

● 心血管疾病风险预测——多因子风险打分，分级结果直观，适合讲「为什么这个模型可信」

● 空气质量指数预测——多污染物特征预测 AQI，预测与绘图结合，最容易出效果

● 商品住宅价格预测——宏观区域加微观楼盘特征，表现稳定，抗压测

● 考研课程热度预测与推荐——播放量加评论数据预测热度，反过来还能给自己做内容选题

● 物流订单时效预测——揽收到签收全链路建模，异常件提前预警，业务链条完整

● 银行交易欺诈识别与预警——类别不平衡加代价敏感训练，光是「怎么处理不平衡」就能撑起一轮追问

挑这一套的建议：模型不是越复杂越好。答辩老师追三个问题——为什么用这个模型、为什么不用另一个、超参数怎么定的，答不上来就换一道。

04 · 户型三：深度学习方向，14 道原题

这套保留原题不改，选的是经典方向。

● YOLOv8s-CBAM 交通标志检测——注意力机制加轻量骨干，小目标检测的提升有对比数据可讲

● YOLOv11 无人机航拍道路交通目标检测与跟踪——航拍小目标加多目标跟踪，场景新、演示炫

● ResNet50 脑肿瘤 MRI 图像分类——医学影像四分类，公开数据集加标准做法，最不容易翻车

● ResNet18 皮肤癌良恶性分类——轻量骨干加迁移学习，训练快，适合毕设的时间预算

● RT-DETR-L 建筑工地个人防护装备合规性检测——无锚框检测算合规，题目本身就带社会价值

● 深度学习胸部 X 光肺炎与肺结核分类——疾病影像分类，医学价值高，数据公开，论文好写

● YOLOv8 电网巡检图像缺陷检测——绝缘子缺陷检测，行业场景明确，本地企业容易提供素材

● 改进 YOLO 工业裂缝缺陷检测——改进点讲清楚就出彩，是这批里最像算法研究的一题

● CRNN 与 CNN 验证码数字识别与滑块验证——识别加滑块轨迹，答辩现场就能跑

● LSTM 社交平台热点新闻分类——序列模型做文本分类，训练快、复现容易

● 深度学习 YOLO 安检图像违禁品检测——校园安全场景好讲，素材容易获得

● MobileNet 小麦叶病害识别——轻量模型加农业场景，可以部署到手机，应用延伸点很多

● YOLOv8 番茄果实成熟度检测——成熟度分级检测，农产品场景落地强，数据获取门槛低

● ResNet50 半导体晶圆缺陷分类——工业质检方向，缺陷类别细，偏研究型，想冲论文可以选

挑这一套的建议：先确认公开数据集拿得到、方法能在限定时间内跑出结果。门槛最高，但也是最不容易被质疑的一套。

05 · 看房指南：怎么从这三套里挑一套

三套看完了，真正要挑的时候记住三件事。

先看数据你拿不拿得到。 能公开下载、或者自己抓得到的数据决定了你的上限。拿不到数据，再好的题目也是空中楼阁，写到一半就废了。

再看算法你讲不讲得清。 为什么用这个模型、为什么不用另一个、超参数怎么定的——这三个问题答不上来的模型再新也危险，宁可选简单但能讲透的。

最后看演示能不能出效果。 一个能当场演出来的场景，比十页 PPT 有说服力得多。优先挑那个你能在答辩现场流畅演示的题目。

「选题选得好，答辩少一半烦恼。」

06 · 签合同前：三个别踩的坑

别只换皮不换内核。 题目改成 AI 助手、预测模型之后，代码里要真的有 AI 调用、真的有训练过程和指标记录，否则等于白改，还是会被打回。

别在数据量上硬撑。 几百兆的数据足够支撑一个完整的业务闭环。数据量不是亮点，模型和业务能不能接上才是。

别把范围铺太大。 42 个题里挑一个做到能演示、能扛住追问，胜过把三个方向都浅尝一遍，最后哪个都交不出来。

三个方向，各 14 题，共 42 题。选一个，开始做。

关注公众号，看更多毕设选题拆解与避坑指南。