针对遥感图像背景复杂且存在某场景图像中关键物体小且尺度变化较大, 需提升模型表征能力来准确辨别各类场景的问题, 提出了一种深度多分支特征融合网络的方法进行遥感图像场景分 类.利用多分支网络结构提取高、中、低三个层次的特征信息, 将三个层次的特征进行基于拆分-融合-聚合的分组融合, 最后为了关注难辨别样本和标签位置损失, 提出一种损失函数.试验结果证明 , 本文所提出的方法对于提高分类准确率十分有效, 在UCM、AID和OPTIMAL三个数据集上的准确率超过其他算法.在数据集UCM上80%样本训练, 准确率达到了99.29%, 与ARCNet-VGG16算法相比分类准 确率提高了1.35%.在数据集AID上50%样本训练, 准确率达到了95.56%, 与Two-Stream算法相比提高了0.98%.在数据集OPTIMAL上80%样本训练, 准确率达到95.43%, 与ARCNet-VGG16算法相比提升 2.73%.

云相态分类在气象预报和气候研究中具有重要的地位。我国新一代气象卫星风云四号的成像仪在光谱通道数量和空间分辨率较上一代风云二号有较大提升，这为云相态的研究提供了新的遥感数据。本文首先对风云四号相隔 15 min的遥感图像进行分析，然后提出亮温云相态指数，该指数可以进行初步云相态分类，最后在此基础上提出基于集成学习的云相态分类算法。实验结果与风云四号官方云相态分类结果进行比较，水云的一致率达到 91.69%，冰云的一致率达到 76.10%。

相邻两片成像传感器的拼接区能够形成具有相同目标景物的图像, 是提炼像移信息的关键, 具有相同目标景物的图像并非贯穿于每次成像任务全程, 无相同目标景物期间的像移估计问题仍然存在。提出基于遥感图像及工程参数的全局像移探测算法, 试图对包含无相同目标景物期间在内的像移进行全覆盖探测。根据拼接区成像特点, 将成像过程分为无相同目标景物和有相同目标景物两个阶段: 在无相同目标景物阶段, 利用工程参数计算像移的低频分量, 建立基于拼接区图像和像移低频分量的目标函数, 衡量像移曲线与低频分量之间的偏离程度; 采用最速下降法搜索偏离度最小值点, 作为无相同目标景物期间像移的最优估计; 推导有相同目标景物期间的像移计算公式, 利用无相同目标景物期间的估计值求解像移。以XX-1号空间光学遥感器为实验对象, 检测到0.133 Hz、7 pixels左右的像移, 可探测的时间范围包含最初226 ms的无相同目标景物阶段, 且显著削弱了盲点处的像移测量偏差。实验结果证明, 提出的算法能够对包含无相同目标景物期间的全局像移进行有效测量。

云检测作为遥感影像数据处理中的重要组成部分，在气候分析等各个方面起到了重要的作用。在云检测研究中，无论是应用广泛的阈值法或是基于模式识别的方法，以及在二者基础上的综合分析法。这些方法大多都依赖于单一类型的遥感数据来源，且在特征提取方面十分依赖先验知识，受主观影响较大。本文利用两种不同类型“风云”系列气象遥感卫星的可见光红外扫描辐射计(Visible and Infrared Radiometer，VIRR)以及多通道扫描成像辐射计( Advanced Geosynchronous Radiation Imager， AGRI)数据，以全卷积神经网络为基础进行云检测，利用其自动提取深层隐含特征等特性，极大保留特征信息。最后结合全连接条件随机场模型进行云系边缘优化。实验结果表明，该算法分别应用于以上两种不同类型遥感影像数据，都较好地完成了云像元和非云像元的分离。

针对实现遥感图像中船只目标的快速检测, 提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时, 采用含有更多细节信息的多光谱图像作为CCNet的输入, 能够提升网络提取特征鲁棒性, 从而使得检测更加精确.基于SPOT 6卫星多光谱图像的实验表明, 与当前主流的深度学习船只检测方法相比, 该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上.

通过对风云四号每两张相隔15分钟的图像进行分析, 提出了归一化动云指数, 加强数据集对低云、薄云及云系运动边缘的检测.在此基础上, 提出了一种基于归一化动云指数的动态阈值法用于初步云检测, 并进一步提出基于BP神经网络的云检测算法.实验结果表明, 该算法可以消除阈值选取中的主观影响, 在大范围复杂下垫面的遥感图像数据中可以取得较好的云检测效果.

在色度、饱和度、纯度(HSV)彩色空间，结合简化脉冲耦合神经网络(S-PCNN)与二维离散静态小波(SWT)提出一种有效的遥感图像融合算法。将多色光谱转换到HSV 色彩空间，对多色光谱的V 分量与全色光谱进行二维静态小波分解，再将分解后的高频系数输入S-PCNN 模型进行融合。低频部分进行第二次小波分解并采用不同规则将其融合，对融合的小波系数进行小波逆变换得到融合的V 分量，并将多色光谱的H、S 与融合后的V 分量转换到RGB 空间。通过一组常用的遥感图像融合实验，表明本文算法的融合效果优于传统算法，且融合图像细节明细、色彩保留较好，是一种有效的遥感图像融合算法。

针对多源遥感影像之间灰度值非线性变化导致特征点匹配率大幅度下降的问题, 提出了一种利用光谱信息的多源遥感影像特征点匹配算法。首先, 以光谱信息对遥感影像波段进行线性拟合, 使待匹配影像与参考影像之间的灰度值由非线性转变为线性或者近似线性变化。接着, 在拟合的遥感影像上采用改进的尺度不变特征变换(SIFT)算法进行匹配。最后, 采用随机抽样一致性算法剔除误匹配点对。与常用特征点检测算法(SIFT, 梯度位置朝向直方图(GLOH),RS-SIFT)的对比实验结果表明, 本文所用的ETM+影像全色与多光谱影像的特征点匹配率提高了4%左右, CBERS-02B和HJ-1B卫星多光谱影像的正确特征点匹配个数增加了8对。因此, 在多源遥感影像特征点匹配中, 本文所提算法优于其它检测算法, 可以极大地改善匹配效果。

像素级融合方法中常出现色彩突变或色彩失真现象。通过分类信息对融合进行约束可以部分消除目标地物边界的这些现象。然而传统的基于像素分类的影像融合方法由于分类中的“椒盐效应”，导致融合效果受到一定的影响和限制。采用面向对象分类约束的方法对该融合方法进行改进。首先采用面向对象分类方法进行影像分类，解决了基于像素分类中的“椒盐效应”问题;其次将分类结果作为影像融合的约束条件，利用色度饱和度明度(HSV)变换进行融合;最后将该方法的结果与多种融合方法的结果进行定量比较，发现该方法除在目视上取得很好的增强效果外，在信息熵、方差等指标上也取得了很好的效果。