针对稀疏字典的高冗余性和脉冲耦合神经网络（PCNN）参数设置的主观性问题，提出一种结合自适应稀疏表示（ASR）和参数自适应脉冲耦合神经网络（PAPCNN）的非下采样轮廓波变换（NSCT）域遥感影像融合方法。该方法将多光谱影像通过YUV空间变换得到的亮度分量Y与全色影像进行NSCT分解为高低频子带。对低频子带采用基于ASR的融合规则，根据影像块的梯度信息实现自适应稀疏表示。对高频子带采用PAPCNN模型，以选择PCNN的最优参数，再经过相应逆变换得到融合结果。实验结果表明：该方法对不同卫星影像在定性和定量评价上的总体效果均优于其他8种方法。

遥感图像地物种类丰富、尺寸多变、分布不均衡、背景复杂，导致经典图像语义分割网络难以在遥感图像上取得理想分割效果。局部注意力网络模型（LANet）在遥感图像语义分割上取得了较好的实验效果，但大尺寸、小尺寸和细长的地物目标分割效果不佳。提出了一种改进LANet网络的高分辨率遥感图像语义分割网络模型，首先，针对全局特征提取设计了全局卷积模块（GCM⁺），以组合卷积的形式扩大感受野，提升大尺寸地物目标的分割性能；其次，利用针对计算机视觉提出的激活函数Funnel ReLU（FReLU）来解决细小目标漏分的问题。实验结果表明：该网络模型在Potsdam数据集上平均交并比达到了75.83%，像素准确率达到了94.95%，比基础网络LANet有较大提升。

不透水面作为监测城市生态环境的重要指标，其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要，急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此，采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度，开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络，提取更多影像特征；加入金字塔池化模块增强网络对复杂场景的解析能力；利用跳跃连接方式融合不同尺度特征，有利于恢复空间信息。以广州市航摄正射影像为数据源，通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型，将其与人工目视解译的地面真值进行验证，最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596% 和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息，有效提升了复杂场景图像的分割精度，分割效果好，适用于高分辨率遥感影像不透水面提取，该研究成果可为城市环境监测提供数据支撑。

遥感影像时空融合是一种获取高时空分辨率数据的有效手段，但现有方法在选定基础数据对时要求预测时间低分辨率数据无云覆盖影响，这极大地限制了其应用潜力。为此，提出一种面向云覆盖的遥感影像时空融合方法，即在深度学习框架下，构建重建子网络恢复预测时刻云下缺失信息，将重建后的低分辨率影像与前后相邻时刻高、低分辨率数据对构建时空融合子网络，得到最终的融合影像。以安徽淮南采煤沉陷区Landsat和MODIS反射率数据为例，对预测时刻MODIS数据模拟不同缺失率的云污染；利用所提方法进行时空融合实验，进而比较深度学习与传统方法融合数据对水体信息的提取效果。结果表明：该方法融合结果各波段的RMSE和SSIM均取得较好的定量评价效果，且总体优于传统方法；沉陷区水体提取实验表明本方法水体提取结果更加接近真实观测影像。因此，该方法降低了时空融合对数据的限制要求，且具有更高的融合精度和更有效的应用性。

基于高分辨率卫星遥感影像自动、准确提取围填海土地利用现状，是实现围填海集约使用的重要技术手段。针对高分辨率卫星遥感影像地物特征复杂，依赖人工提取特征的传统方法较难满足业务部门实际需求的问题，提出了基于深度学习的围填海检测识别技术框架，该框架使用U-Net网络的多约束变体结构，并针对高分辨率遥感影像地物特征复杂导致地物分类不一致的问题，引入全连接条件随机场和图像腐蚀运算对分割结果进行后处理。以天津市滨海新区2016年和2020年高分辨卫星遥感影像为数据源进行了验证，实验表明围填海地物分割整体准确率、F1-score、Kappa系数以及mIoU分别达到96.73%、92.87%、90.28%、86.82%。在此基础上，分析提取了该围填海区域土地利用动态变化特征，为围填海集约使用管理提供了有效技术支撑。