分量替换是遥感图像融合中的一种经典方法，其具有良好的空间保真度，但容易产生光谱失真，为此本文提出一种结合结构与能量信息的全色与多光谱图像融合方法。方法首先通过超球面颜色空间变换分解多光谱图像的空间和光谱信息。其次，通过联合双边滤波引入了两层分解方案。然后，将全色图像和强度分量分解为结构层和能量层。最后，提出结构层通过邻域空间频率策略融合，强度分量的纯能量层用作预融合图像的能量层。强度分量定义颜色的强度，通过将预融合结构层与强度分量的能量层结合，可以有效地结合源图像的空间和光谱信息，从而减少全色锐化图像的光谱失真。本文在 Pléiades和 QuickBird数据集上进行大量实验，并对实验结果进行定性和定量分析，结果表明所提方法与现有先进方法相比具备一定优越性。

针对点云精简算法提取特征时较为依赖传统参数、特征提取不全面和特征边界易丢失等问题，提出一种使用冯·米塞斯（vMF）分布提取特征的点云精简方法。该方法首先利用邻域重心点构建向量，通过与法向之间的夹角关系设置阈值划分曲面，降低噪声对细节特征的影响；然后利用冯·米塞斯分布提取曲面点的优先度，实现全局特征提取；最后基于特征进行八叉树分级精简。实验结果表明：所提方法可有效提取细节特征，相比于基于曲率、Hausdorff距离的方法所提取到的特征，有着更好的特征提取效果；利用基于曲率、栅格、随机的精简算法与所提方法进行关于重建结果、3D偏差、定量分析的对比，证明所提精简方法效果更优。所提方法为点云特征提取和精简提供一种新的思路。

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题, 提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量, 据此对遥感影像进行分类, 并进行了实验验证。结果表明, 颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度, 其分类效果优于传统的单一颜色或纹理特征分类, 是一种有效的彩色遥感图像分类方法。