提出一种小波-空间高阶特征聚合网络（WHFA-Net），该网络可分为小波域特征提取和空间域特征提取两个分支。首先，将Harr小波变换嵌入卷积神经网络（CNNs），保留深度卷积特征的低频分量作为小波深度特征；其次，利用最大池化进行深度特征学习，并将其输出作为空间深度特征；将两分支的深度特征进行向量化后，获取其自相关和互相关高阶深度特征向量，并依次进行特征正规化、特征聚合和特征归一化操作；最后，引入交叉熵损失函数进行端到端网络训练。在NWPU45（NWPU-RESISC45 Dataset）和AID（Aerial Image Dataset）数据集上的实验结果表明：相较于基准网络（VGG-16），本文所提WHFA-Net的场景分类准确率有5.13%~12.12%的提升；与DCCNN、APDC-Net、GBNet、LCNN-BFF、MSCP和Wavelet CNN相比，WHFA-Net的场景分类准确率均有不同程度的提升；通过消融实验验证了各模块和分支的有效性及其性能差异。因此，WHFA-Net可有效且稳定地抽取遥感场景图像不同特征域的高阶聚合特征，并提升场景分类准确率。

提出融合梯度幅值(GM)和梯度发生率(GO)的新方法,构建了两种具有高分辨能力的新描述符。抑制归一化描述符通过对GM进行分段归一化,抑制较小的GM以构建新描述符;GM-GO融合描述符是通过抑制部分GO(其对应的GM较小)、再将GM和GO进行融合的新描述符,可提高描述符的可分辨性。实验结果表明,在噪声和光照等环境的影响下,提出的两种方法都具有更高的匹配精度。

利用不同图像特征之间的互补性,可提升遥感场景零样本分类性能。将图像特征的融合与零样本分类结合,提出一种基于图像特征融合的遥感场景零样本分类算法。采用解析字典学习方法,计算各图像特征的稀疏系数,并串接起来作为融合后图像特征,以减少冗余信息且保留各图像特征自身特点;引入监督信息,提高融合特征的鉴别性;将融合特征与场景类别词向量进行结构对齐,提升对新类别场景的迁移识别效果。在UC-Merced和航拍图像数据集两种遥感场景集上,对相同层次及不同层次的场景图像特征分别进行融合实验。实验结果表明:对于总体分类准确度和运算耗时,所提算法均优于其他零样本分类算法及通用的特征融合算法,证明了方法的有效性。

以“多次前向、单次后向散射”激光测深回波信号数学模型为理论基础，分析了接收FOV 对激光测深回波信号的影响。讨论了不同海水深度情况下FOV 损失因子与接收器FOV 之间的关系。以辨别力指数D 作为激光测深性能评价标准，分析了晴空条件下机载激光测深系统辨别力指数D 与接收器FOV 的关系，进一步得到在不同最大探测水深情况下的最优FOV。根据分析结果可以对机载激光测深系统的接收FOV 进行优化，为我国研究新型的机载激光测深系统提供理论依据。

黄龙病作为柑橘类水果最具毁灭性的疾病之一, 目前尚无有效的治愈手段, 因此疾病预防成为已知的唯一有效方法。 基于四种柑橘叶片(健康叶片、 黄龙病叶片、 铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。 在两类判别分析的特征值提取方法中, 判别值(discriminability)运算的引入, 为特征值提取提供了一个可靠依据, 判别值越大表明光谱差异性越大。 以被选特征值建立的Fisher线性判别分析模型, 黄龙病与健康、 铁缺乏、 氮缺乏叶片的分类判别预测准确率分别都超过了90%, 分类效果符合预期。 最后, 又讨论了分类树(classificationTree)在多类判别中的应用。 通过对柑橘叶片原始反射谱, 一阶导数谱及被选特征值分别建立分类模型, 四种柑橘叶片平均预测准确度都超过88%, 尤其是基于特征值的分类结果更是超过94%, 验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。 结合传统分类方法(k-NN, Bayesian)的结果分析, 特征值作为输入变量的分类结果明显要优于原始光谱, 证实了特征值选取的正确性, 并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。

分析光谱角制图方法缺陷的基础上, 提出权重光谱角制图（weight spectral angle mapper, WSAM）方法。 其基本思路为: 在相似波谱曲线差异较大的特征区间设置权重, 以增大它们相似度之间的差异。 当识别某种矿物时, 可找到参考波谱与其相似性矿物波谱差异较大的特征区间, 并在此区间设置权重, 从而使相似性矿物波谱与参考波谱的相似度降低, 增加其与目标矿物的区分度。 通过AVIRIS高光谱数据的实验证明, 权重光谱角制图方法通过设置目标矿物和其相似性矿物的差异特征区间, 降低了相似矿物波谱与目标矿物标准波谱的相似性, 增加了相似性矿物的目视区分能力, 能够较为准确地区分出目标矿物和其相似性矿物。