根据遥感领域高光谱成像对大幅宽、高分辨率需求，研制了一套适合航天LASIS高光谱成像应用的高分辨率、宽视场、高光谱、高可靠性的新型高速光谱成像仪电子学系统，它采用多片四通道并行处理ADC芯片进行模数转换，以V5系列FPGA为核心处理器，用高速SerDes芯片传输图像数据，成像测试及相关环境试验及可靠性测试，验证了设计的有效性。该设计为我国进入航天遥感领域领先行列提供了技术支撑，也为深入开展高分辨遥感提供了有益的借鉴。

热液释放的高温甲烷气体经扩散作用先后进入海洋和大气, 并对地球物理、 化学和生物方面产生深刻影响。 由于海洋溶解甲烷数据的缺乏, 导致人们对深海热液释放甲烷的活动机制和环境效应还缺乏足够的认识。 我们前期提出一种光学被动成像干涉系统OPIIS用于热液甲烷浓度、 温度和压强的实时探测和长期观测。 为了从OPIIS的干涉光谱中精确、 稳定、 快速的获取热液甲烷信息, 采用将干涉光谱与偏最小二乘法相结合的方法处理OPIIS数据。 首先分别建立三个甲烷浓度、 温度和压强的单因变量预测模型, 再利用干涉条纹与辐射光谱的关系, 间接建立干涉光谱与甲烷浓度、 温度和压强的PLS预测模型, 提高了预测模型在实际应用中的抗干扰能力和稳定性。 基于洛仑兹线型建立了不同于大气环境的深海气体辐射模型, 并利用HITRAN2016分子光谱数据库的光谱参数, 建立了深海甲烷在任意浓度、 任意温度和任意压强下的辐射光谱数据库。 挑选热液其他气体对甲烷探测干扰较小的甲烷泛频带1.64～1.66 μm内的六条谱线建立甲烷辐射光谱与浓度、 温度和压强的偏最小二乘回归模型。 另外, 分析了训练集取样个数、 取样间隔和主成分个数对提高预测模型综合性能的作用。 利用不同训练集样本数, 不同训练集取样间隔和不同的主成分数, 分别建立96个浓度、 温度和压强预测模型, 并分别利用25组预测集样本对预测模型进行交叉验证。 不同模型预测均方根误差和决定系数的对比表明, 训练集取样个数、 取样间隔和主成分个数等单一因素的改变并不能同时提高预测模型的预测精度、 稳定性、 适用范围和运算量等综合性能。 经过平衡选取各项指标确定的最优回归模型的参数为: 浓度、 温度和压强的适用范围分别为5～375 mmol·L-1, 580～678 K, 10～34.5 MPa, 浓度、 温度和压强的训练集取样个数分别为50组, 25组, 25组, 采样间隔分别为5 mmol·L-1, 2 K, 0.5 MPa, 浓度、 温度和压强预测模型的主成分数分别为2, 2, 5。 浓度、 温度和压强预测模型的预测均方根误差分别为3.082×10-6, 0.977 0, 5.052×10-3, 决定系数分别为0.999 9, 0.998 9, 0.999 9。 浓度、 温度和压强的预测误差分别为±1.21×10-7, ±3.63×10-3, ±9.49×10-4, 对应的预测精度分别为±45.4 nmol·L-1, ±2.5 K, ±3.3×10-2 MPa。 结果表明, 干涉光谱结合偏最小二乘法的反演算法可以精确、 稳定、 快速的获取热液甲烷气体的浓度、 温度和压强信息。

为了实现对热液甲烷浓度、温度和压强信息的实时、长期探测, 提出一种新颖的光学被动成像干涉系统(Optical Passive Imaging Interference System, OPIIS), 并建立了该系统的正演模型和反演模型。首先利用IDL语言建立了包括深海气体辐射模型、海水传输模型和仪器响应模型的OPIIS正演模型, 并模拟其正演干涉图。正演干涉图信噪比总体处于50~70, 浓度探测灵敏度为0.1 mmol/L, 温度灵敏度为2 K, 压强灵敏度为0.1 MPa。其次采用成像干涉技术结合偏最小二乘法的方法进行OPIIS数据的精确、快速反演。利用25个建模样本建立了甲烷多因变量PLS回归模型, 并利用25个预测样本对回归模型进行交叉检验。该最优回归模型的浓度预测最大误差为1.9%, 温度预测最大误差为0.38%, 压强预测最大误差为1.0%。

夏威夷果含油量高， 在开缝之后容易发生变质， 现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验， 很难满足无损检测的需求。 卷积神经网络（CNN）作为应用最广泛的深度学习网络模型之一， 具有比浅层学习方法更强的特征提取与模型表达能力， 在光谱数据方面的应用拥有很大潜力。 基于夏威夷果在可见-近红外的光谱特征分析， 研究用于提取夏威夷果光谱特征的卷积神经网络模型， 并提出一种高效无损鉴定夏威夷果品质的方法。 首先以三种不同品质的夏威夷果（好籽、 哈籽及霉籽）为研究对象， 分析样本在500~2 100 nm的光谱信息； 在光谱数据预处理中引入白化处理方法， 用以增强数据的相关性差异； 然后在模型训练过程中， 将样本随机分为训练集和预测集， 探讨不同CNN结构、 卷积层数、 卷积核大小及个数、 池化层类型、 全连接层神经元个数以及激活函数对分类结果的影响， 并采用激活函数ReLU和Dropout方法， 预防样本数据过少引起的过拟合现象； 最后通过分析模型分类准确率和计算效率， 确定了一个6层结构的CNN模型： 输入层—卷积层—池化层—全连接层（200神经元）—全连接层（100神经元）—输出层。 实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。 因此， 改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类， 将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定， 同时为夏威夷果等坚果类食品的高效、 无损、 实时在线检测提供了新思路。

CD的输出信号幅值变化情况，并利用Matlab对连续输出100帧图像的平均灰度值进行分析计算。结果表明：该方法有效地实现了CCD曝光时间的控制，且仅通过软件调节，易于实现，可以广泛应用于不带电子快门的帧转移型面阵CCD成像器件。

哈达玛变换光谱成像仪是一种采用多通道探测的数字变换光谱技术, 介绍了基于数字微镜阵列器件(DMD)的哈达玛变换光谱仪工作原理与仪器结构, 对成像传感器所获得的混合像元进行了分析研究, 理论推导出了混叠像元的解混合方法, 仿真实验结果表明该方法简单有效, 对提高混合像元复原光谱精度超过10%。

文章通过分析目前常用的成像光谱仪图像数据压缩方法，确立了决定干涉图压缩的问题关键，在分析实际应用中常用的几种光谱匹配模型的基本原理的基础上，探讨了干涉图匹配和光谱图匹配之间存在的对应关系。从而提出了利用光谱匹配角和干涉曲线匹配角之间对应关系来确定干涉图最大压缩比的方法。在光谱匹配角模型的基础上，通过对一组光谱数据及其对应的干涉图进行试验，验证了利用该方法所依赖的理论和技术依据的可靠性，为建立高效稳健的光谱数据压缩模型提供了理论上的支持，为开辟新的高压缩比的干涉图压缩方法提供了一条思路。