以遥感影像为数据源、地表温度为指标，评价成都1988~2013年城市热环境特征。结果表明：城市热场中高温区域向外迁移，2013年转移到三环至绕城区域；特高温类型面积逐年减小，2005~2013年平均每年减少1.83 km2，高温和次高温类型面积分别增加26.90 km2和45.35 km2；4个时段的年际城市热岛强度(UHII)按照先减小后增大再减小的规律变化，2005年UHII最强为4.37 ℃。从一环路以内至绕城高速间，1988年UHII逐渐减弱，最大值为5 ℃，2013年逐渐增强，最大值为2.93 ℃；沿西向东方向上地温值和植被覆盖度值均呈波动变化，二者呈负相关，确定性系数为0.5744。

针对形态学运算在机载LiDAR滤波中最大窗口尺寸的选择问题，提出了一种基于形态学开重建的迭代多尺度点云滤波算法。通过循环迭代多尺度开重建运算，克服开重建对矮小地物的误判问题，自动获取开重建运算的最大窗口尺寸，解决了对城市区域滤波的窗口适宜尺寸选择问题，提高了地物与地面点分类的正确性。使用ISPRS提供的城区样本测试数据开展实验，结果表明：其Ⅰ类、Ⅱ类及总误差均值分别达到3.10%、6.05%和4.11%，在Ⅱ类误差不显著增加的情况下，Ⅰ类误差和总误差均值同比均为最小，整体分类与自动识别性能优于常规滤波算法。

针对二维格网形态学的插值误差及二维原始点云形态学的耗时等问题, 提出一种基于扫描线的一维渐进式形态学 LiDAR点云滤波方法。该方法根据点云数据近似直线扫描和顺序存储的特点, 将一维渐进式形态学方法运用于 LiDAR原始点云, 分析运算后的点值与其原始值的差异, 逐步滤除非地面点。为验证算法的有效性, 采用 ISPRS测试数据进行实验, 结果表明, 该算法无论是在城市地区还是在郊区均能有效滤除非地面点, 且具有较高的可靠性。

由于无人机体积小、重量轻，其在空中受到风力的影响较大，所拍摄的影像存在的畸变也比较大，因此，在影像匹配处理前进行畸变校正具有实际意义。利用Canny算子进行边缘提取，并依据Hough变换理论获得大量地物轮廓线；再利用以步长逼近获得像点真实坐标的反解算模型的方法来辅助校正并检测校正结果。同时，针对地物轮廓线之间存在平行、垂直等特点，提出了四边形连接法、平行线约束法等校正方法，并通过实验证明取得的结果令人满意。

为了在面向交通流监测的航摄图像分析中，使用模板匹配的方法提取道路交通流信息，需要首先计算道路区域的位置和用于追踪道路的模板。实时自动地提取用于识别道路的种子点和追踪模板，为此提出了一种一维无标记分水岭分割方法，需要简单的图像特征计算，不需要人工标记。通过计算道路截面极值，提取波谷区域，然后计算区域相似度，合并相似区域得到分割结果；通过对区域进行排名，并进行区域内放射搜索，识别出道路区域，计算道路追踪模板。结果表明与 Canny边缘提取和 Hough直线提取结果相比，人工干预较少；且数据处理量减小、道路提取效率提高；模板计算结果较好。

与传统航空摄影测量相比，无人机所获取的影像存在更大、更复杂的几何变形问题，而且由于摄影比例尺大，影像在某些地物的局部纹理变化少。这些因素导致无人机影像的匹配存在更大的难度，出现误匹配的同名点对数目也会增多。首先根据Harris 算子提取并匹配特征点，提出了基于多边形匹配来探测并剔除误匹配同名点的方法，从距离、角度以及权重等方面考虑同名点匹配的可靠性，通过实验统计出不同区域剔除的误匹配同名点数目、运算速度以及匹配正确率，验证了该方法的可行性。

由于无人机影像具有数据量大、分辨率高等特点，在进行影像拼接处理时会涉及多张影像，因此其拼接误差不能忽略，且随着拼接影像数量的增多误差会不断积累。在分析了无人机影像拼接主要误差来源之后，较深入地研究了影像重叠度及误差累积问题。确定了无人机影像拼接的最佳重叠度，并依据最佳重叠度对原始影像进行“抽稀”处理，最后提出了一种适用于无人机影像的分块拼接方法。研究结果表明，根据最佳重叠度对原始影像进行“抽稀”能减少参与拼接的影像数量，对“抽稀”后的影像采用分块拼接方法能够有效地减小拼接误差、改善影像拼接视觉效果，同时在一定程度上提高了影像处理效率。

针对无人机影像重叠度高，影像处理工作量大的特点，为了提高无人机摄影测量的工作效率，充分发挥无人机技术快速成图的优点，提出了一种利用改正后 POS数据自动展绘控制点的方法。该方法根据无人机 POS数据纠正原理，通过在区域网内布设少量控制点，建立 POS数据改正模型，从而获取 POS数据误差改正参数对原始 POS数据进行改正，利用改正后 POS数据在无人机影像上自动展绘控制点。研究结果表明，该方法对于无人机影像快速处理具有较好的实用价值。

：针对无人机空中姿态不稳定，其拍摄影像存在倾斜、曝光不均匀等缺点，采用常规的影像匹配方法效果不佳，甚至无法匹配，而SIFT 算法对图像几何变形、分辨率差异、旋转等有较好适应性。利用SIFT 算法对无人机影像进行特征点的提取，并采用最小二乘算法对影像进行精匹配。同时，为了减少拼接过程中误差的传播，提出了分块拼接方法。实验结果表明：SIFT 算法适用于无人机影像匹配，在精匹配过程中采用最小二乘算法能够有效地剔除误匹配，并减小了时间复杂度和空间复杂度。