针对遥感影像超分辨重建任务中出现的影像退化效果不符合现实场景、模型对多尺度特征信息感知能力较差等问题，本研究提出一种结合降质网络与多尺度特征融合的遥感影像超分辨率重建算法。首先，考虑到现实场景中多种降级因素对影像质量的影响，提出一个新的降质网络；其次，针对多尺度条件下特征信息捕捉能力不足的问题，设计了有效的生成网络和判别网络。在生成网络中，作为网络关键的密集多尺度特征提取结构（DFEMS）采用密集连接自适应特征增强块（AFEB）形式，旨在减少模型计算负担，同时增强了网络对多尺度特征信息的感知能力。在判别网络中，对UNet网络进行结构优化，提高了模型对全局结构与局部细节的辨识能力。基于UCMerced和WHU-RS19数据集，进行了消融实验和对比实验，实验结果表明：该方法在遥感影像超分辨率任务中表现出了优越的性能和良好的泛化能力。

光谱—空间信息的高效提取是高光谱遥感影像分类的核心问题。Transformers框架能有效表征高级语义特征的优势，同时卷积神经网络（CNNs）能有效提取局部特征，二者在高光谱影像分类领域潜力巨大。为了充分提取光谱—空间特征，本研究通过融合Transformers与CNNs网络的优势，提出一种基于Transformers的高频光谱—空间信息增强的高光谱图像分类方法（HFSST）。首先，通过3D-CNN和2D-CNN协同提取低层空—谱特征；其次，在跨层变换器编码器（TE）中嵌入CAB注意力机制，实现通道和空间信息平衡；最终，在TE模块输出特征后添加局部卷积分支，实现更好地恢复高频信息。实验在Indian Pines、Pavia University和Houston 2013数据集上进行验证，分类性能优于当前几种最先进的方法，表明本研究方法通过增强高频光谱—空间信息，可强化类间特征的可分性。此外，可以证明高光谱影像分类问题向局部高级语义分类问题推广的正确性。

遥感图像的全色锐化融合技术旨在将高分全色图像的空间纹理细节注入到低分多光谱图像中，合成具有精细光谱特征的高分辨率多光谱融合图像。在现有基于深度学习的全色锐化方法中，监督学习依赖降分辨率构建真值样本，不可避免地导致原始特征信息损失；非监督方法虽然可在全分辨率条件下训练，但在空间纹理细节保持方面仍存在不足。为此，研究提出一种结合空谱滑动特征的密集残差非监督全色锐化融合生成对抗网络模型。该方法首先在空间域和光谱域引入滑动窗口机制捕捉空谱特征；其次，结合密集残差实现空谱特征融合与重建；最后设计联合损失函数对模型训练进行整体约束。在两个不同数据集上的主、客观评价验证了该方法在空间纹理细节保持与光谱一致性方面的表现，消融实验分析了网络结构组成及联合损失对融合效果的影响。结果表明：该方法在非监督全色锐化任务中具有较为稳定的表现，为相关模型的结构设计与训练约束提供了参考。

5G通信塔已成为人们生活中不可或缺的基础设施，对其进行数字化重建是高效管理和安全稳定监测的重要内容。针对其多站点激光扫描数据，研究提出一种基于改进旋转投影统计特征描述子（RoPS）和最大生成树的多视角配准方法，基于距离加权的半径滤波去除噪声点，采用改进RoPS算子与随机采样一致性方法完成点云粗配准，并采用ICP提高配准精度；然后计算点云重叠度并构建基于广度优先搜索的最大生成树，找出合适的配准姿态实现多站点云高精度全局配准；利用斯坦福数据集和通信塔地面三维激光扫描数据对该方法进行验证。结果表明：该方法配准精度达到了0.07 m。研究成果为通信塔三维模型重建和安全检测提供了可靠的技术和模型支持。

为寻求快速有效提取马铃薯幼苗期、现蕾期、块茎膨胀期植被覆盖度方法，研究利用地面分辨率为5 cm的无人机影像，计算可见光波段差异指数（VDVI）、过绿指数（EXG）、归一化绿红差指数（NGRDI）、归一化植被指数（NDVI） 4种常见植被指数，分别选取时序交点法、最大类间方差（Otsu）阈值分割法及支持向量机（SVM）与植被指数（VI）直方图相结合确定阈值的分割法对小范围研究区进行植被覆盖度提取，用地面分辨率为1 cm的无人机影像分类结果作为真值对3种方法的计算结果进行比较，并选取VDVI指数，利用马铃薯幼苗期、现蕾期、块茎膨胀期单幅图像确定的阈值，对大范围试验田影像进行植被覆盖度提取及验证。结果表明：SVM与VI直方图相结合确定阈值分割法分类图效果较好，植被覆盖度误差最小，平均误差为3.05%；时序交点法分类图效果次之，但不能够准确地提取不同时期马铃薯植被覆盖度，平均误差为7.39%；Otsu阈值分割法分类图效果较差，平均误差为15.39%，且利用SVM与VDVI直方图相结合确定的阈值进行试验田大范围植被覆盖度提取具有良好的效果。

工业化的快速发展导致矿区开发活动的增加和环境污染问题的恶化，裸土识别在监测矿区地理分布和空间变化中具有重要意义。传统裸土识别方法依赖于中分辨率影像，存在算法效率低下、识别精度不足的问题。为此，本文提出了一种结合超像素技术与Transformer架构的BareFormer模型，通过整合超像素空间自注意力模块，增强模型对局部纹理特征和长距离特征的学习能力，创建了一个包含3 759对高分辨率矿区影像和标签的裸土数据集，以检验不同方法对细粒度矿区采石场裸土的分类性能。研究结果显示：BareFormer在裸土分类上的表现最为优异，准确率、召回率、F1分数和IoU分别达87.30%、88.30%、87.79%和79.77%；消融研究和模型复杂度实验证明了超像素注意力机制和多尺度特征融合在提高模型性能方面的有效性；激活图分析和鲁棒性检验表明BareFormer在裸土纹理和空间细节捕捉方面的强大性能。研究结果为面向高分辨率遥感影像的采石场裸土精细识别提供了一种高效、准确的新方法，具有重要的实际应用价值。

针对遥感数据，在公开数据训练的图像分割模型，由于与任务数据存在特征和分辨率的差异，使传统的迁移学习不能有效提升模型的推广性能，为此提出一种端到端无监督域适应遥感图像分割模型。首先，在基于生成对抗的风格转换网络中添加残差连接、尺度一致模块和带有类别平衡权重的感知损失，减少不同域图像的风格和分辨率差异，在转换图像风格的同时保持原有结构信息；其次，使用结合空间和通道注意力的视觉注意力网络作为特征提取主干网络，提高特征提取能力；最后，利用少量带有标签的目标域样本微调分割模型，进一步提高分割精度。实验结果表明：所提模型有效缓解不同特征和分辨率带来的性能下降问题，相较于先进的域适应分割方法更具有优势。

传统高光谱数据分类方法往往只注重频谱特征提取，忽略了有价值的光谱空间信息，导致分类效果不佳。因此，本文提出一种结合主成分分析（PCA）、引导滤波和深度学习架构的方法，应用于高光谱数据分类。首先，采用成熟的PCA降维技术，有效减少高光谱信息冗余；其次，以一种简洁有效的引导滤波方式来获取空间主导信息；最后，采用栈式自编码器模型这一深度学习架构，有效处理多层次多特征图像数据。本文通过对两个公共数据集进行训练和测试，并在第三个数据集上验证模型泛化能力。实验结果表明：提出的GF-FSAE算法分类精度均在99%以上，具有良好的分类性能和泛化能力；比CNN-AL模型分类算法精度略高，验证了频谱—空间高光谱图像分类框架具有优越性。

领域自适应将源域知识迁移到目标域，用以提升高光谱遥感影像在不同场景下地物分类精度。高光谱影像的领域自适应分类方法发展迅速，然而目前缺乏不同典型方法的对比分析。因此本文归纳总结领域自适应分类方法为概率分布适配法、特征选择法、子空间学习法、深度域适应法四大类，选取8种典型方法，利用帕维亚中心、帕维亚大学和HyRANK 3个标准数据集设计对比实验。实验结果表明：深度域适应方法优势明显，其中拓扑结构与语义信息传输网络法的总体分类效果和计算效率整体上最优。

为综合利用多光谱遥感图像中的丰富光谱信息和空间纹理特征，提出一种基于Gabor-CVA的变化检测方法，提取变化范围并识别变化类型信息。针对同一地区不同时相的两幅遥感图像，一方面在主成分分析降维后，利用Gabor核函数提取多尺度、多方向的空间纹理特征，计算纹理差值向量和纹理向量夹角，另一方面通过变化向量分析法（Change Vector Analysis，CVA）计算光谱差值向量和光谱变化强度，然后在纹理向量夹角和光谱变化强度的融合特征图像上，设定阈值确定变化范围分布；接下来选择地物变化类型的样本，利用随机森林（Random Forest，RF）方法从纹理差值、光谱差值、遥感指数差值中筛选出重要性较高的若干变化特征，对相应变化特征图像进行多尺度分割，根据分割图像及样本训练随机森林模型，并识别位于变化范围内各对象的变化类型，从而得到变化类型分布图。实验表明：Gabor-CVA方法在变化范围检测的总体精度为88.77%，与CVA方法相比，在漏检率减少3.06%的条件下，正检率提升了21.56%，与RF分类后变化检测方法相比，漏检率减少了5.48%，正检率提升了16.25%；在进行变化类型分类时，CVA方法的Kappa系数为0.38，RF分类后变化检测的Kappa系数为0.50，而Gabor-CVA方法的Kappa系数提升至0.75。

利用机器学习、深度学习进行遥感影像语义分割是遥感智能解译领域的重要手段。光学与SAR影像可以反映不同的地表特征，为土地利用/覆盖提供额外信息，有效地融合并提高对土地利用/覆盖类型的识别是遥感语义分割中的一大难点。针对上述问题，提出基于多源数据融合以及通道关联性感知的土地利用/覆盖分割方法。首先，使用高分六号光学影像和高分三号雷达影像，制作高分辨率影像样本数据；然后，采用编码—解码架构，在deeplabv3p框架中引入通道注意力机制和空间多尺度关联性，建立基于全卷积网络结构的CCAMNet（跨通道感知模块网络）模型；最后，在研究区域数据集上与UNet、Deeplabv3p、SA-Gate、v-fusenet、MCANet等语义分割模型进行对比实验，并在WHU-OPT-SAR公开数据集上与Deeplabv3p、PSCNN、MRSDC、v-fusenet、MBFNet、MCANet等模型对比实验。研究结果表明：在研究区域上与其他模型相比，该模型总体精度为79.68%，优于其他等模型；在公开数据集上总体精度为81.8%，在分类别精度上表现优于其它模型，能显著提高语义分割的精度，验证了模型在遥感土地利用分类语义分割应用中的可行性。研究结果弥补了高分辨率土地利用分类数据集在研究区缺失的问题，并验证了光学与SAR影像融合在提高分类精度上的可行性。

高分光学影像易受到成像条件及地物变化等因素的影响，出现难以忽略的几何与辐射畸变，传统配准算法难以保证精度与稳定性。为此，本研究充分发挥相位一致性在影像几何结构表达上的优势，提出了一种基于多方向相位一致性的配准算法，利用Log-Gabor滤波器计算影像在不同方向上的相位一致性及其最小矩估计，进一步通过多阈值约束提取影像角点，并构建对辐射、旋转弱敏感的描述符，以实现复杂辐射、几何畸变场景下的同名特征匹配，最后利用匹配特征解算局部配准模型。基于高分一/二/六/七号影像的多组实验证明，所提出算法可以实现高精度配准，适用于不同来源、不同场景及不同分辨率的国产高分光学影像配准任务。

不透水面作为城市地表要素的重要组成成分，了解其空间分布可为城市的发展以及灾害防护提供科学的参考依据。然而由于光谱的相似性，准确获取不透水面材质具有一定的挑战性。本研究借助于亚米级航空可见光遥感数据，通过构建光谱、指数、纹理和形状等对象特征，使用Fisher可分比（Fisher Discriminant Ratio， FDR）和递归特征消除算法（Recursive Feature Elimination，RFE）优选最终的建模变量，结合随机森林（RandomForest， RF）、XGBoost、GBDT、CatBoost、LightGBM等算法分别构建了不同不透水层材质的分类模型（FDR-RFE-RF， FDR-RFE-XGBoost， FDR-RFE-GBDT， FDR-RFE-CatBoost， FDR-RFE-LightGBM），选取最优模型绘制了区域不透水面材质的空间分布。结果表明：除GBDT和LightGBM外，使用经FDR和RFE算法优选的变量构建的模型在点尺度上总体精度和Kappa系数分别提高了0.933%~1.171%和1.229%~1.542%，并改善了分类结果空间破碎的现象。结合点尺度的验证精度和空间上的分类结果发现FDR-RFE-RF的性能最优（OA=0.926， Kappa Coefficient=0.906），且其提取的研究区的不透水面材质的分布特征基本与实际情况一致。研究结果表明变量优选在一定程度上可以提升基于机器学习的不透水面材质提取的鲁棒性，同时也验证了基于亚米级航空可见光影像在城市不透水层材质提取的可行性。

采用图几何深度学习方法，具有建模长远程地物特征空间拓扑关系和刻画多地类边界的优势。现有研究多采用主成分分析（Principal Component Analysis， PCA）实现高光谱数据快速降维处理，但是存在特征可分离性较差的问题，使得算法分类结果精度无法继续提升。本研究提出了一种结合图形处理单元（Graphics Processing Unit，GPU）加速的t-分布式随机邻域嵌入（t-distributed Stochastic Neighbor Embedding，t-SNE）流形学习和局部谱域图滤波的高光谱遥感图像分类算法。另一方面，考虑到图注意力网络（Graph Attention Network，GAT）通过利用隐藏的自我注意力层来解决以往基于图卷积或与其近似框架的已知缺点，擅长高效地处理图结构式高光谱数据，继而提出了一种结合局部谱域图滤波和GAT网络的新方法来进行高光谱遥感图像分类。通过在云计算平台Microsoft Planet上使用真实的高光谱遥感数据集进行实验表明，通过高光谱遥感图像特征可分离性增强实现遥感地物分类，不仅能获得较好的高光谱遥感图像地物分类性能，而且说明将空间和光谱信息相结合对高光谱图像分类的重要性。

次生林中累积的地上生物量形成的巨大碳库，对于缓解气候变化具有重要作用。广东省空间异质性显著影响着次生林的碳汇速率，但其驱动因素尚不清楚，严重制约了未来碳汇能力的准确估算和预测。基于遥感技术在时空监测方面的优势，本研究利用地上生物量、次生林种植年份及气候等高时空分辨率遥感数据，量化了四大方面驱动因素对广东省次生林地上生物量累积速度和空间模式的影响，并结合情景分析预测了广东省未来的次生林增碳潜力。结果表明：整体上，林龄是影响广东省地上生物量累积的最重要因素，然而其他影响因素的贡献则具有较强的空间异质性。在珠三角地区，气候是第二大主要驱动因素，而在粤北、粤东和粤西地区则是地形地貌。土壤元素含量的影响在四个区域普遍较小。4个情景中，在储量最大情景下至2050年可最大程度增碳62.45±2.55 Tg C。本研究可为森林可持续管理及高质量发展提供科学参考。

基于深度学习的遥感影像土地分类应用需要海量的数据集作为训练样本，影像标签数据集常因数量少而难以满足训练要求，利用现有样本进行扩增是一种有效的技术手段。传统的数据扩增技术仅改变影像颜色、清晰度等，且扩增数量有一定上限，为了自动化大幅扩增更具多样性的样本，研究设计了一种基于Pix2pix网络的遥感影像样本扩增方法。利用Pix2pix网络生成器根据无人机和谷歌影像标签生成虚拟影像，判定器对虚拟影像与真实影像进行比对，在生成对抗训练多次后输出样本对实现扩增。结果表明：生成结果的视觉对比相似度高，无人机影像和谷歌影像对比原始图像平均余弦相似度分别为0.85与0.96，平均直方图相似度为0.50和0.61，是一种有效的遥感影像样本扩增方法。

相对辐射归一化是高分光学卫星影像地表反射率产品生产的主要手段之一，基于迭代加权多元变化检测（Iteratively Reweighted Multivariate Alteration Detection，简称IR-MAD）的高分光学卫星影像相对辐射归一化方法是当前应用最为广泛的方法之一。但是，经典IR-MAD方法仅适用于参考影像与待校正影像之间地物变化不大的情况，当地物变化较大时该方法失效。通过引入伪不变区域约束机制，提出了一种优化的IR-MAD算法，主要思路是借助二元高斯混合聚类方法提取影像之间不变区域，进而提升伪不变点提取的质量，使地物变化较大时仍然可以输出有效的辐射归一化结果。以高分二号影像为待校正影像，哨兵二号影像为参考影像，采用3组代表性影像进行实验验证，并与经典IR-MAD方法相比，结果表明：①该方法提取的伪不变点主要集中在不变区域，空间分布更加合理；②该方法在代表一般变化的数据集1中，平均决定系数提高8.8%，在代表强烈变化的数据集2、3中，该方法平均决定系数分别为95%、89%，而经典方法低于50%甚至是负值；③该方法处理结果影像中典型地物的反射光谱信息与参考影像更加接近。因此，该方法为高分光学卫星影像相对辐射归一化提供了新的有效途径。

全球植被的动态监测对于区域和全球的生态环境保护具有极其重要的意义。长期以来，光学植被指数都被作为植被监测的重要工具。微波具有良好的穿透能力，能够探测到植被的木质结构及含水量信息，可以作为重要的补充数据。针对12种植被类型，以光学植被指数NDVI、EVI作为基准，分析了基于被动微波遥感的植被指数MPDI、MVI_B和EDVI在近3 a间的月均值变化并计算了其它植被指数同NDVI的相关系数。研究结果表明：EDVI对植被的动态变化具有较强的监测能力，同NDVI相比EDVI对植被的生长和含水量的变化具有更高的灵敏度以及更大的数值分布范围，能够显示更多的细节。MPDI仅适用于生长周期明显的中、低等生物量的植被类型的监测。MVI_B对大多数植被的季节性变化不敏感，监测能力较差。

基于高分辨率遥感影像的目标识别技术被广泛应用于国土资源监测和情报收集等领域，精确、快速的目标检测方法是目前遥感图像研究的热点与难点。然而，许多检测方法过于追求提升检测精度却忽略了检测速度。为此，基于YOLOX提出一种改进型轻量化网络，以实现检测速度和精度权衡。首先，针对特征提取主干模块，提出一种Mobilenetv3tiny网络，进行轻量化改进，通过减少网络参数量，提高检测速度；其次，在特征金字塔结构中引入Ghost网络，在保证检测精度的前提下，降低网络复杂性；最后，使用Alpha-IoU和VariFocal_Loss优化损失函数，提高网络收敛速度和定位精度。在NWPU VHR-10数据集进行消融实验，结果表明改进网络较基础网络，检测精度提升0.76%，速度提升19.72%，权重为11 M（Mega）且参数量减少65.66%，网络整体效果较好。此外，对DIOR数据集进行对比实验，在保证较高检测精度的同时，检测速度提高26.88%，证明了改进网络的有效性。因此，改进网络能够有效权衡检测速度和精度，易于设备部署，适用于遥感图像目标实时检测应用场景。

随着对地观测技术的快速发展，高分遥感影像变化检测已成为遥感领域中的研究热点。空间分辨率的提高带来了丰富的空间信息，同时也导致了由于物候差异引起的实际属性并未发生变化，而光谱等表现特征发生变化的“伪变化”问题更为显著。形态属性剖面（Morphological Attri-bute Profiles，MAPs）作为一种高效空间信息建模方法，可从不同属性、多个尺度精细刻画复杂变化特征，已在变化检测领域任务中得到了广泛应用。尽管如此，已有MAPs方法通常未考虑差分剖面的属性及尺度平衡问题，从而容易陷入局部最优；同时，有效融合MAPs差分特征获取变化检测结果是此类方法面临的另一个难点。为此，研究提出了一种结合自适应形态属性剖面与决策融合的变化检测方法。首先，通过对MAPs进行CVA，提取初始差分特征集合；在此基础上，设计了一种综合考虑属性及尺度平衡性的择优目标函数（Balanced Optimal Objective Function，BOF），进而提取优化差分特征集合；最后，基于所提出的变化强度证据指标（Evidence Index，EVI）和证据置信度指标（Indicators Of Evidence Confidence，IOEC），构建了一种多特征决策融合框架获得变化检测结果。实验结果表明：所提出方法的总体精度（Overall Accuracy，OA）和F1分数（F1 score，F1）分别可达96.41%及88.67%以上，在目视分析和定量评价均显著优于对比方法，尤其针对本文所提“伪变化”，该方法相较对比方法可实现更为精确的判别，可以有效缓解“伪变化”。

AW3D30 DEM数据是应用最为广泛的基础地理信息数据之一，其精度直接影响一系列衍生产品的可靠性和严谨性。因此，AW3D30 DEM数据的精度评价与修正一直是研究热点。然而，常规高精度验证数据获取困难且成本较高，难以应用在大范围研究区域。ICESat-2数据全球覆盖、高程精度达亚米级，可为AW3D30 DEM数据精度评价和修正提供可靠的参考数据源。为此，以河南省为研究区域，利用ICESat-2数据从坡度、坡向、地貌类型、土地利用类型角度评估AW3D30 DEM高程精度，并提出一种随机森林-长短期记忆网络混合模型修正AW3D30 DEM。实验表明：AW3D30 DEM高程精度随坡度、海拔和地形起伏度的增大而降低；坡向对高程精度的影响较小，误差分布无明显规律性；在裸地和耕地土地利用类型精度更高，在林地土地利用类型精度较差。随机森林—长短期记忆网络混合模型能够显著降低AW3D30 DEM的平均绝对误差和均方根误差，提升AW3D30 DEM精度，可为其他DEM数据修正模型的建立提供参考。

干涉成像高度计是一种新体制雷达高度计，可以获得宽刈幅、高分辨率和高精度的海面高程信息。但其在轨工作原始数据量巨大，无法全部下传，而且传统用于合成孔径雷达（Synthetic Aperture Radar， SAR）数据压缩的块自适应量化算法（Block Adaptive Quantization， BAQ）会显著增加干涉成像高度计的测高误差，且数据压缩比较低。因此，在保证海面高程测量精度的前提下，大幅压缩原始数据量的在轨处理算法研究具有重要意义。基于干涉成像高度计海洋观测区域的工作时序和干涉处理方法，提出了两项改进算法：①提出一种基于目标位置估计的图像配准和去平地效应方法，相比基于轨道参数的配准和去平地效应方法，大幅降低了运算量，同时可以去除由于小角度入射导致的快速变化的平地条纹；②针对干涉成像高度计在小入射角时地距分辨率变化剧烈的情况，提出了一种插值平均的多视方法，能够降低均匀窗口多视引入的测高误差。利用天宫二号三维成像微波高度计获得的海面数据验证该方法的可行性和对测高精度的影响，实验结果表明：当在轨分辨率为300 m×300 m时，该方法数据压缩比为46.99；当地面产品分辨率为5 km×5 km时，在轨处理算法引入的相位误差标准差小于0.004 9°，测高误差标准差小于0.26 cm，相对于BAQ算法，该方法具有数据压缩比高、测高误差小的优势，更适合于未来新一代宽刈幅干涉成像高度计在轨数据处理。

陆表水体是人类赖以生存的重要资源。天宫二号三维成像雷达高度计（TG2-InIRA）在国际上首次采用小入射角、短基线雷达干涉测量技术获取地球海洋和陆表水体的准镜面反射信息，克服了传统星载雷达高度计和星载合成孔径雷达不能获取宽刈幅水体高度的不足。然而在小入射角情况下水体散射易受观测角度变化的影响，且水体在不同气象条件下表面粗糙度的变化容易导致雷达影像呈现较大差异，因此开展多角度、多时相TG2-InIRA水体图像融合对于全面了解陆表水体真实状态十分重要。研究提出了一种基于离散小波变换（Discrete Wavelet Transform， DWT）的TG2-InIRA雷达图像融合方法，DWT旨在将待融合雷达图像分解为低频子图像和高频子图像。陆表水体在形态学上呈现出极大的多样性，这些在频域表现为丰富的低频和高频特征，对其融合需采用不同的策略。具体地，低频方面，提出了一种基于Canny算子的融合规则，突出江河、湖泊等大型水体宏观特征；高频方面，发展出了一种基于局部对比度的融合规则，突出细小水体及水体边缘等微观特征。在长江流域安庆地区多角度、多时相TG2-InIRA雷达图像上与加权平均以及基于Laplacian金字塔、Nonsubsampled Contourlet变换和DWT的几种常用经典融合方法所做的对比实验表明，所提方法在清晰度、交叉熵等评价指标上均有明显提升，基于融合结果所开展的图像分割实验进一步展示了所提方法在提取水体的精细度和完整性方面的良好性能。

遥感目标检测在环境监测、电路巡检等领域具有重要意义。然而，遥感图像中存在目标尺度差异大、小目标数量较多、类间相似性与类内多样性较高等难题，导致检测检测精度较低。为了解决上述问题，提出了一种基于YOLOX-Tiny的遥感目标检测模型。首先通过改进多尺度特征融合网络以充分利用浅层细节信息和深层语义信息，提高对小目标的检测能力；其次在预测端引入可形变卷积，提高模型对不同尺度、形状目标的鲁棒性；最后采用SIoU损失函数以让预测框向正确的方向移动，进一步提高模型的定位精度。在遥感数据集DIOR和RSOD进行实验，实验结果表明：在不增加参数量的情况下，改进后的模型分别取得了73.68%和97.12%的检测精度，与其他一些先进模型相比，具有较高的精确度，对重叠目标识别率高，且具有良好的实时性。

MODIS地表反射率数据被广泛应用于陆地表面的动态监测，但云覆盖等因素的影响使得数据中存在时空缝隙，从而影响了数据可用性。对此，提出一种基于L1正则化的时域重建方法，能有效修复MODIS地表反射率数据中的缺失，实现高精度的长时序数据重建。该方法首先识别时序数据中因自然因素及系统因素产生的噪声，然后基于噪声检测对信息缺失区域进行年际预填补，在此基础上引入对突变噪声更为稳健的L1正则化模型，并结合噪声标记构建时域重建变分模型，还原地表的时序变化趋势。实验结果表明：相比于SG滤波、HP滤波、L1滤波、谐波分析方法，在不同百分比10%、25%、50%、75%的像元缺失情况下，该方法都取得了最高的重建精度；在不同地表场景下，该方法也取得了更好的重建结果。因此，该方法在时序曲线重建和空间细节修复上都更具有优势，表现出较高的实用价值。

化工园区典型地物提取一般利用传统的遥感图像处理方法，难以实现地物的精细识别，不利于化工园区环境监测和管理。研究旨在探索深度学习方法在化工园区典型地物高精度识别应用中的可行性。针对化工园区地物分布的高空间异质性，搭建TensorFlow深度学习框架，基于高分辨率遥感影像数据构建化工园区18种典型地物数据集，应用卷积神经网络BASS-Net训练化工园区典型地物识别模型，进行化工园区地物识别，并与随机森林（RF）和支持向量机（SVM）的识别结果进行对比分析。结果显示：BASS-Net模型对园区典型地物识别的整体精度、召回率和F1分数分别为97.17%、97.76%和97.46%，比RF高20%以上，比SVM高50%以上，具有明显优势。由此可见，应用卷积神经网络BASS-Net模型可以实现典型化工地物的自动精准识别，其结果较传统机器学习方法优势明显，可为化工园区环境监测和管理提供支撑。

建筑物是城市的重要组成部分，基于高分辨率遥感数据建筑物提取，在土地利用、城市规划和防灾减灾等方面有重要意义。针对建筑物提取存在的问题，提出一种改进的Mask R-CNN建筑物实例分割模型。基于残差神经网络融合卷积注意力模型，构建了残差卷积注意力网络，改善了特征提取不充分问题。通过添加Dice Loss的方法，对损失函数进行了优化，进而对特征学习过程进行了优化。并引入Douglas–Peucker algorithm、Fine polygon regularization algorithm相结合的后处理策略，使建筑物轮廓更规则。实验结果表明：改进模型相比原模型的检测mAP值在Iou 0.5时提高了7.74%、在Iou 0.75时提高了7.57%，后处理策略在选定合适阈值优化掩膜后较原始模型的F1-Score值提高了6.01%。耦合Mask R-CNN和注意力机制的实例分割模型改善了小型建筑物误检漏检问题、建筑物分割边界粘连问题，提高了建筑物的分割精度；优化了建筑物后处理策略，提高了建筑物规则化程度。

遥感图像目标检测已成为目标检测领域的重要组成部分。为了解决复杂背景下高分辨率遥感图像中小尺度目标的漏检与误检问题，结合YOLOv5s算法并在检测端提出一种局部自适应特征加权算法，通过学习已有的标注框信息将含有目标特征的前景与背景分离，获得前景中具有关键信息的目标局部特征，并自适应计算各层局部特征的空间尺度和权重。同时在主干部分引入全局注意力机制用于加强通道与空间之间的跨维度特征信息交互能力，增强特征间的关联性，以弥补检测端局部特征的全局信息丢失，从而降低目标的漏检率和误检率。实验表明：该改进算法的准确率和召回率均得到一定的提升，其均值平均检测精度mAP达到72.33%，相较于传统YOLOv5s算法提升了2.66%。

针对高光谱图像信噪比较低导致图像分类精度较差的问题，提出一种融合多尺度低秩表示与双向递归滤波的高光谱图像分类方法。首先，对高光谱图像进行不同尺度的超像素分割，获得空间邻域信息并得到分割图像；其次，在各尺度分割区域内执行低秩表示和主成分分析（Principal Component Analysis，PCA）降维，低秩表示可对分割区域内光谱间高相关性进行低秩约束，移除混合噪声；再次，利用双向递归滤波进一步消除图像中噪声和地物细节纹理；最后，根据支持向量机对各尺度特征图像的分类结果采用多数投票方法得到最终分类。实验在Indian Pines、PaviaU和Salinas公开数据集上进行，各地物类别随机选取10个训练样本，结果表明：与仅利用光谱信息的分类方法（支持向量机、PCA）对比，该方法分别在3个数据集上总体精度平均提高了32.03%、28.04%和16.80%；与空间—光谱残差网络和顶点成分分析网络的分类方法对比，平均提高10.99%、8.45%和7.08%；与其他空—谱联合分类方法对比，平均提高8.28%、18.77%和10.19%，证明了本文方法能在训练样本较少的情况下取得更优的总体分类精度。

作为城区主要目标之一，建筑物的检测和提取至关重要，而利用图像分割将建筑物从背景中分离出来是后续处理的基础。传统马尔科夫随机场（Markov Random Field， MRF）模型对合成孔径雷达（Synthetic Aperture Radar， SAR）图像进行建筑物分割时只利用了灰度信息，因此对灰度不均匀目标分割完整性较差，且利用最小能量准则分割时未考虑两部分随机场能量的相互关系，从而导致分割结果不能同时兼顾区域一致性与边缘细节性。为此，研究提出一种改进MRF的SAR图像建筑物分割方法。首先，通过在观测场引入由巴氏距离加权的纹理特征，实现对灰度不均匀建筑物的完整提取；其次，在两部分随机场能量中引入随迭代次数变化的权重，实现在建筑物密集区域保持边缘平滑的同时更好地抑制噪声。为了验证算法的有效性和实用性，对不同场景的SAR图像进行处理，结果表明：所提算法在不同场景中均能得到更好的分类正确率和Dice系数。

由于三峡库区的复杂地形特点和受到部分区域的阴影遮盖影响，因此水体变化检测容易出现漏检误检。针对这一情况，为了能够提高水体变化检测结果的精度，提出了一种融合Siam-U-Net++和scSE注意力机制的三峡库区水体变化检测算法。利用编码阶段共享权值的Siam-U-Net++为主干网络，在编码器网络单元上选择拥有残差结构的ResNet34网络，快速高效获取水体变化特征信息。在Siam-U-Net++的上采样之后引入结合通道注意力和空间注意力的scSE注意力机制模块。在自制的库区奉节县数据集上分别与LinkNet、U-Net++、DeeplabV3+网络模型以及NDWI进行应用测试，并引用不同注意力机制进行对比实验，其召回率、精确率和F1值分别为94.57%、90.75%、92.62%，均优于其他模型。实验结果表明该算法有效提高了在水体变化检测结果上的效果。

遥感影像由于目标角度各异且普遍密集、小目标占比高、背景复杂等特点，检测精度低。针对水平框算法不再适用于遥感旋转目标，以及主流五参数法存在角度回归的周期性与边缘互换性问题，提出VR-CenterNet，采用向量表示法来进行旋转目标的检测与损失设计，规避角度回归的根本性问题，优化细长目标的偏移高敏问题；针对浅层特征融合的高冗余问题，引入自适应通道激活过滤杂质信息，为强化关键点信息，在主干输出部分引入改进后的全局上下文自适应层激活注意力块。首先在HRSC2016与UCAS-AOU数据集上进行不同算法的性能比较；再在两数据集上进行方法消融实验，以验证各改进方法的有效性。实验结果表明：在HRSC2016与UCAS-AOU数据集上分别取得的了88.48%与90.35%的精度。改进算法能够提升遥感旋转目标的检测精度，为遥感旋转目标的准确检测提供了另外一种解题思路。

色匹配函数通过构建地物反射光的光谱分布与颜色三刺激值的关系可将任意波段的信息映射到三原色基准值上，经过色彩空间的转换后重建多光谱遥感影像。针对大多数多光谱传感器在可见光内波段数量有限、波段通道较窄且波段间隔不均匀，直接在相邻波段间插值会使色匹配积分过程出现较大误差的问题，结合遥感数据的模拟和反向传播（Back Propagation，BP）神经网络，以可见光范围内通道设置丰富的近岸高光谱水色成像仪（Hyperspectral Imager for the Coastal Ocean，HICO）经色匹配函数和色彩空间转换后得到的R、G、B三刺激值作为网络输出值，其波段重建后得到的目标传感器的模拟波段作为输入值，训练得到适用于Landsat-8 OLI、Terra MODIS、Himawari-8 AHI传感器的真彩色影像合成模型。计算均值、标准差、平均梯度和信息熵这4类客观评价参数，并结合对真彩色影像和直方图的主观分析，结果表明该方法能丰富和扩展有限的波段信息，提高影像的清晰度、色彩饱和度以及包含的信息量，校正了三波段合成影像存在的色偏，解决了在原始数据波段数受限的情况下通过简单插补波段带入色匹配函数进行积分计算产成误差的问题。

相较于同源遥感影像地表覆被变化检测，异源影像能综合不同卫星传感器间数据特征和现势性等优势，更好满足应用需求。针对异源遥感影像变化检测中存在的光谱差异和特征空间不一致问题，研究提出编码对齐生成对抗网络实现异源影像的高精度变化检测。考虑到异源影像间通道和数据类型上存在差异，难保持重构前后影像空间结构的一致性，研究通过添加自编码器和构造编码对齐损失，约束编码器输出特征的空间结构变化，使重构前后影像空间结构一致，有效减少信息丢失；在跨域映射过程中为减少源域与目标域间影像的色彩差异，采用循环一致对抗生成网络在无成对影像情况下进行色彩迁移，实现两时相异源影像的相互跨域映射，生成能与原始影像直接对比的无色偏重构影像；利用设计的变化概率权重使网络在训练过程中自动选择样本，有效提取覆被变化信息。实验结果表明：该方法与CGAN、SCCN等方法相比能更充分提取影像特征，降低跨域映射函数的随机性；在4组公开数据集的检测精度分别达到0.93、0.96、0.97、0.88，精度最高；变化检测结果与参考图的一致性、检测差异图质量均最优。因此，该方法在异源遥感影像中能够进行高精度变化检测。

相干斑的存在严重干扰了SAR图像质量，亟需对其抑制处理。传统AD（Anisotropic Diffusion）滤波器边缘检测模型精准度仍有提升空间，且噪声抑制效果往往受限于扩散阈值较难准确估计的问题。针对上述问题，提出了一种融合多方向Sobel算子的相干斑各向异性扩散抑制方法。该方法是SRAD（Speckle Reducing Anisotropic Diffusion）的改进算法，其利用多方向Sobel算子在SAR影像各点处构建了全新的边缘检测模型，并基于此，融合高斯核函数建立了新的AD扩散函数，可有效解决传统AD扩散系数受参数估计限制，提升了相干斑各向异性抑制的准确性。实验选取了3景真实SAR影像进行滤波实验，结果表明：该方法可有效提高边缘检测能力，获取更优相干斑抑制效果。

针对光学遥感图像场景分类存在类别变化、样本数量变化，场景图像中背景与重要物体变换大、尺度变化多的问题，提出基于神经网络注意力架构搜索的光学遥感图像场景分类方法，由算法自适应在神经网络中搜索卷积、池化、注意力等操作，构建能完成光学遥感图像场景分类任务的神经网络。为保证搜索神经网络过程稳定性，提出两段式贪婪策略网络搜索方法，分阶段丢弃无用操作，减少搜索算法负担、提高搜索速度。最后为了关注各物体与场景关联信息，提出自上而下的网络连接策略，充分复用各阶段多尺度特征图的语义。实验结果证明：该方法相较于手工设计的经典深度学习方法具有更好的性能。在AID、NWPU、PATTERNET 3个遥感图像标准数据集上总体精度均超过经典方法。在AID数据集上准确率达到94.04%；在PATTERNET数据集上准确率达到99.62%；在NWPU数据集上达到95.49%。

全球风廓线的测量对提高数值天气预报精度，准确描述气候模型，理解大气中的物理过程具有重要意义。云雨条件下，星载大气风场多普勒速度测量能力依赖于雷达系统参数、云的物理和动力特征及测量方法。基于极化分集脉冲对（Polarization Diversity Pulse-Pair， PDPP）算法，研究了脉冲时序和多普勒速度测量精度的关系。对影响PDPP方法多普勒测量精度的因素进行了仿真分析。结果表明，对W波段雷达，脉冲对重复频率应当在3.5~5 KHz范围。使用0.1°波束宽度的天线在脉冲间隔为30~50 us区间内，能对反射率因子-20 dBZ的云内风速进行测量，精度在1.35 m/s；相同精度要求下，0.2°波束宽度的天线在脉冲间隔为30~40 us范围内，能达到探测灵敏度约-12 dBZ。

建筑是城市精细化管理的基础单元，利用高分遥感影像快速准确地提取城市建筑轮廓信息对于城市规划及管理有着重要意义。研究基于北京二号高分辨率（0.8 m）遥感数据，建立了北京市建筑轮廓样本库，利用多种语义分割模型U-Net、DANet、UA-Net（U Attention Net）和实例分割模型Mask R-CNN、Mask R-CNN FPN、Mask R-CNN RX FPN来提取城市建筑轮廓并开展精度评价，通过对比不同类型建筑（如楼房、别墅及村庄建筑等）的提取效果，最终选择整体精度最高且提取效果最好的U-Net模型提取了北京市域的所有建筑轮廓。结果表明：U-Net、DANet、UA-Net、Mask R-CNN、Mask R-CNN FPN和Mask R-CNN RX FPN模型的分类精度分别为79.37%、65.59%、71.03%、61.82%、52.53%和59.70%，且U-Net模型训练时间相对较少。U-Net模型对于建筑轮廓的提取有良好的表现；对比不同模型的识别效果发现，语义分割模型对于平房型建筑识别较有优势，实例分割模型则适用于提取城区及周边地区独栋楼房别墅的建筑轮廓，这为开展典型建筑轮廓提取任务的模型选择提供了科学依据，并且识别的城市建筑成果在一定程度上解决了城市内部精细尺度研究数据缺失的问题。

在TensorFlow框架下，有对多维数组进行GPU或CPU并行加速运算的特点，选择使用合适的经纬度投影模式，结合FY-3D MERSI L1数据自身带有高精度同分辨率的定位数据，按分辨率生成将经纬度数据对齐的张量（多维数组），计算生成新的像元映射位置信息，直接逐点映射对MERSI数据进行几何校正，同时可消除中分辨率极轨卫星因扫描观测和地球曲率带来的BowTie效应，再使用卷积运算计算反距离加权插值点数值，对几何校正后无数据像素点进行填充。使用这种方法，在TensorFlow框架下用Python语言实现了整个几何校正过程，并与ENVI软件的几何校正结果，对误差和校正精确度进行了对比测试，并且对几何校正的整体处理速度也进行了测试。结果表明本文算法与ENVI软件几何校正一致性高，5%绝对误差百分比以下的精确率大于0.92，结构相似SSIM指数在0.95左右，全部通道使用GPU并行加速完成几何校正的加速比大于36倍。这种方法既保证了几何校正的精度，而且整个数据处理过程快速高效。

开环工作模式是一种交替收发脉冲的合成孔径高度计工作模式，该模式相比于Sentinel-3等卫星高度计的闭环工作模式在单位时间内可获得更多的独立脉冲数，进而提高测距精度。但由于开环模式的脉冲重复频率小于多普勒带宽，其方位向多普勒频谱存在混叠，使得产生的多视回波畸变，降低测距精度。通过研究用合成孔径信号处理过程中距离弯曲与混叠频率的对应关系，提出一种基于多视波束堆栈处理的开环抗混叠滤波方法，对多视波束堆栈进行滤波处理，有效解决了开环模式方位向混叠效应。通过仿真验证，该方法能有效提高测距精度。在2 m有效波高条件下，采用本文提出的开环抗混叠滤波方法的1 Hz测距精度由0.7 cm提高到0.6 cm，提高了14%。