受自然条件影响，野外露头表面存在植被覆盖、风化严重等问题，传统的岩性图像识别方法较难实施，随着地质大数据的兴起和智能地质的发展需求，利用人工智能进行地质领域岩石影像岩性识别成为必然趋势。提出基于注意力机制的多模态碎屑岩露头影像岩性智能识别方法（SE-DeepLabv3+），通过与传统分类方法和语义分割方法的对比，以人工标注结果为参考，SE-DeepLabv3+的岩性识别精度达90%以上，高于其他方法。利用SE-DeepLabv3+对新疆准噶尔盆地南缘清水河-喀拉扎组部分露头剖面进行岩性识别，得到较好的识别结果。利用无人机三维影像数据，结合人工智能技术实现碎屑岩露头的岩性识别，可以大幅提高岩性识别的工作效率，转变传统作业方式，推动地质研究向定量化、智能化发展。

为快速获得宏观、定量的砂岩露头孔隙度, 提出了基于高光谱的孔隙度估算新方法.采集野外露头砂岩样品并测得其孔隙度, 利用岩石薄片鉴定资料分析砂岩孔隙度的影响因素；对岩样实测光谱预处理, 探索砂岩孔隙度的光谱响应机理；考虑到光谱波段高维性和波段间多重相关性, 采用偏最小二乘方法构建孔隙度估算模型；通过变量投影重要性分析模型中重要波段.研究结果表明：基于砂岩填隙物与孔隙度的相关性以及填隙物的光谱特征, 可间接反演孔隙度；砂岩孔隙度具有良好的光谱响应；反射率能够定量估算砂岩孔隙度(全波段模型R2=0.72, RMSE=2.28, RPD=1.94)；重要波段帮助降低自变量维度, 发现孔隙度敏感波谱响应.本研究为基于高光谱图像的野外露头孔隙度表征奠定了基础.

由于月球表面的地形起伏引起月面遥感图像像素与太阳相对位置和几何取向不一致，导致月面遥感数字图像上阴影像素的产生。为了解决这一问题，利用与遥感图像匹配的DEM和光照方位参数进行遥感图像的阴影判断，基于DEM数据，利用邻坡反射辐射，进行自然地形条件下的月表遥感图像阴影像素的阴影消除，恢复成太阳光谱照度相等（入射角，反射角和距离相同）时的像素遥感值。仿真实验结果表明：该方法较好地消除了月表影像的阴影，充分恢复了月表影像的反射/光谱特征。