针对红外图像序列中复杂背景干扰下容易出现的高虚警问题，提出一种基于 ${L_{1 - 2}}$时空域总变分正则项的红外弱小目标检测算法。首先，将红外图像序列转化为时空域红外张量块，该步骤可利用张量的高维数据结构优势关联图像序列中的时空域信息。然后，利用加权Schatten $p$范数和 ${L_{1 - 2}}$时空域总变分正则项对低秩背景成分进行重构，以保留背景中起伏剧烈的边缘和角点，提高稀疏目标的重构精度。最后，将目标张量恢复为图像序列，利用自适应阈值分割方法得到最终的目标图像。与另外5种检测算法进行对比实验，结果显示，该方法的虚警率较Maxemeidan算法、Tophat算法、LIRDNet算法、DNANet算法以及WSNMSTIPT算法平均分别下降了71.4%、71.1%、68.5%、74.3%和20.47%；而在检测实时性方面，该算法耗时为Maxemeidan算法、DNANet算法以及WSNMSTIPT算法的42.4%、82.9%和28.7%。实验结果验证了该方法在检测性能上的优越性，表明该算法能够显著提高复杂背景干扰下的目标检测精度和效率。

云检测对于遥感图像的应用具有重要意义。目前已有的云检测方法关于遥感图像的偏振信息研究较少，性能和泛化能力有限。为有效利用遥感图像偏振信息，提出了一种基于深度学习的多模态融合遥感图像云检测方法并进行了初步实验评价。该网络是一种三参数输入流架构，具有编码器-解码器结构，利用通道空间注意模块对遥感图像中的反射率特征和偏振特征进行多模态融合。在解码器上采样阶段，利用迭代注意特征融合方法融合高、低级特征映射。评价实验数据集来源于多角度偏振成像仪 (DPC) 云产品和云掩码产品。评价实验结果表明，所提出的网络模型实现了良好的云检测性能，识别准确率达到93.91%。

鉴于偏振光谱仪系统追求的目标是高偏振光谱分辨率、全Stokes谱静态测量、兼顾小体积轻质量，结合偏振光谱强度调制技术与空间外差干涉技术，提出空间调制外差干涉型偏振光谱仪系统。介绍了空间调制外差干涉型偏振光谱仪系统的结构原理，并对系统干涉图数据采集和全Stokes矢量解调复原进行了理论分析，给出了完整数学推导。结合空间外差光谱仪参数，匹配设计了调制器模块，给出一套完整的设计实例。在实验室搭台建立空间调制外差干涉型偏振光谱仪原理实验装置，通过对已知偏振态线偏振光的测量实验以及实验数据解析，验证系统原理及测量数据处理流程的正确性。结果表明：几种已知偏振态的线偏振光，由实验装置测量数据解析得到的Stokes矢量谱与理论分析结果基本一致，误差小于3%，验证了空间调制外差干涉型偏振光谱获取技术的可行性。

提出了一种使用相似度矩阵辅助遥感图像无监督哈希跨模态关联的方法，解决哈希码转化过程中造成的部分语义信息的损失问题。利用构建的原始特征以及哈希特征的相似度矩阵整合不同模态间的语义相关信息，以尽可能地保留模态内以及不同模态间语义的相关性，通过相似度矩阵间的语义对齐减小原始特征转换为哈希编码的特征信息损失，并结合对比学习的方法有效提高了遥感图像文本间无监督哈希跨模态关联效果。在两个公开数据集上的实验验证表明，所提方法优于现有基准方法，具有较好的性能。