从遥感图像中提取的道路信息在城市规划、交通管理等领域具有极其巨大的价值，但由于背景复杂、障碍物遮挡以及大量类似的非道路区域的干扰，目前从遥感图像中提取高质量道路信息仍受到限制。为此，提出一种基于混合尺度注意力U-Net的遥感图像道路提取方法HSA-UNet。首先，在编码网络使用由残差结构和注意力特征融合机制构成的注意力残差学习单元，提高对全局特征和局部特征的提取能力；其次，由于道路具有跨度大、狭窄且连续分布等特点，在桥接网络加入注意力增强的空洞空间金字塔池化模块来增强不同尺度道路特征提取能力。在Massachusetts道路数据集上进行的实验结果表明，在F1、交并比等评价指标上，HSA-UNet明显优于D-LinkNet、DeepLabV3+等语义分割网络。

为了解决高光谱图像领域中, 传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题, 采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法, 从空间增强、光谱-空间两方面分别进行了特征提取。首先从空间增强角度提出一种3维-2维卷积神经网络混合结构, 得到增强后的空间信息; 其次从光谱-空间角度利用3维卷积网络结构, 得到光谱-空间的综合可分性信息; 最后将所得信息进行特征融合并分类。用该方法在两个数据集上进行了实验并与其它方法进行了对比。结果表明, 该方法在Indian Pines与Pavia University数据集上分别取得了99.36%和99.95%的分类精度, 其分类精度和kappa系数都优于其它方法。该方法对高光谱图像的分类表现出竞争优势。

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息，本文提出了一种基于特征重要性的卷积神经网络（ convolutional neural networks，CNN）分类模型。首先，利用贝叶斯优化训练得到的随机森林模型（ random forest，RF）对高光谱遥感图像进行特征重要性评估；其次，依据评估结果选择合适数目的高光谱图像波段，以作为新的训练样本；最后，利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据，实验结果均表明：相比原始光谱信息直接采用支持向量机（ support vector machine，SVM）和卷积神经网络的分类效果，本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。