准确自动检测台风风眼位置可为台风预报与监测研究提供先验信息，以减少灾害损失。由于台风形态结构的多变性，其中心自动定位仍存在一定的困难。本研究利用台风卫星云图，提出一种基于多尺度镶嵌的R-CNN台风风眼检测方法。收集日本气象厅发布的1981—2017年5000多张台风卫星云图，利用图像数据中风眼眼壁轮廓曲线及内外明暗差别清晰明显的特点对图中风眼进行分割标注。通过台风风眼半径多尺度估算算法，将原始图像划分为多尺度台风云图，整合训练集和测试集。借助多尺度图像镶嵌、超参数选择和多条件测试分析，构建利用多尺度Mask R-CNN模型检测分割台风风眼的总体算法框架，开展多尺度对比实验。在自建标定数据集中，台风风眼的识别准确率最高达到92.63%、最低为88.36%，平均每张图片的检测时间最少为0.043 s，均方误差最小达到2154，平均交并比最大为0.9454。实验结果表明，所提多尺度镶嵌数据增强方法在大中规模尺度融合时效果最好、中小尺度较差，与现有主要数据增强方法相比，能更有效地提升神经网络准确率。整体检测模型在台风中心定位中的综合效率优于其他深度学习定位方法。

水生植物能够净化污染物和抑制藻类生长，在生态系统重建方面具有重要的应用价值。光谱分析作为植物种类识别的一种方法，具有无接触、快速、无污染等特点。受周围水环境的影响，绿色水生植物的光谱特征峰比陆生植物更加难以区分，地面实测光谱数据不仅维度高，且存在大量重叠谱带和背景干扰，特征光谱不明显；同时，通过地面实测获取样本数据较为困难，适用于深度学习的地面光谱数据集较少。针对以上问题，本文提出了一种基于一阶导数法结合AlexNet网络的分类模型。本团队以2019年9—10月上海河道内4种优势种群的近岸挺水水生植物为研究对象，使用地物光谱仪采集4种水生植物叶片部位的光谱信息。实验中，首先使用4种光谱分析法对原始数据进行预处理，比较预处理前后分类模型的准确率，其中一阶导数法结合AlexNet网络的分类模型对4种水生植物的分类精度最高，为99.50%；然后分别选取样本数据的40%、60%和80%作为训练集，验证模型在小样本下的泛化能力；最后利用Grad-CAM算法对模型进行可视化，分析后发现本文模型提取的水生植物的特征光谱与现有研究结果一致。上述研究结果表明，本文模型能够有效提取水生植物的特征光谱，实现对4种水生植物的快速准确分类识别，为高光谱遥感卫星识别此4种水生植物提供了重要参考。

将遥感图像进行像素级海陆分割是海岸线提取的一项基础性工作。由于海岸线的动态变化，获取精准的海岸线标记数据集比较困难，为此采用Google Aerial photo-Maps配对样本，在对Google Maps进行海陆二值化处理后构建了新的配对数据集。针对新数据集样本较少问题，在循环生成对抗网络（CycleGAN）模型的基础上，提出了基于双重注意力机制的DAM-CycleGAN。新模型全面考虑遥感图像和海陆二值化图像之间的结构相似性，改进了循环一致性损失，并设计通道注意力模块和空间注意力模块来凸显显著性特征和区域，以增强模型在小样本训练下的特征学习能力。在均方误差、平均像素精度和平均交并比（MIoU）三个评价指标上，与全卷积神经网络模型、DeepLab模型在多个规模数据集训练下的实验结果对比，改进模型转换的海陆二值化图像与真值图像更加吻合，MIoU值分别至少提高7%、6%以上，验证了所提方法的有效性和可行性。

为了更好地评价图像质量, 解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题, 提出了一种多特征融合的CNN模型。首先, 将整幅图像进行不重叠分块, 并提取每个分块图像的信息熵和纹理特征。然后, 将提取计算的两特征相结合, 计算各分块图像的重要性权重, 以此衡量分块图像对失真图像质量的影响。最后, 根据计算出的重要性权重修改损失函数, 突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现, 该算法的SROCC与LCC指标为0.962和0.960, 相比原算法至少提升09%; 在TID2008数据集上验证和对比实验发现, 该算法获得的SROCC与LCC指标为0.922和0.926, 相比原算法至少提升06%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。

为提高卷积神经网络对图像多尺度变化的感知能力,增加网络的尺度不变性,提出一种基于多尺度卷积特征融合的台风等级分类模型。在卷积神经网络中添加多尺度感知层,对卷积特征进行多尺度感知并进行级联。将多尺度正则化项添加到损失函数中,通过反向传播来最小化隐含层权重的残差,优化模型的特征提取能力。最后将多尺度高层语义特征通过Softmax分类层归一化成各图像类别的概率值,取最大概率值为最后图像的分类结果。为有效验证本模型的多尺度感知能力,选用红外卫星台风云图作为数据集,实验结果表明,本模型能有效感知并提取台风云图的局部特征,并在两个通用数据集MNIST和CIFAR-10上验证了本模型的泛化能力。