针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题，本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构，以增强特征提取能力；此外，在浅层特征图与颈部网络融合之前加入感受野增强模块，以捕获不同尺度的上下文信息。其次，使用GSConv构成颈部网络，减少网络层参数量，保持网络的特征提取能力，并通过基于内容感知的特征重组模块提高识别精度。最后，采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入，来提高小目标的检测效果。为了证明该方法的有效性，在DOTA数据集和NWPU NHR-10数据集上进行实验，平均检测精度分别达78.6%和94.3%，计算复杂度为94.7 G，整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点，能有效提高小目标的检测精度，进一步改善光学遥感图像小目标检测性能。

针对当前光学智能遥感卫星有限存储能力对全球控制信息的轻量化需求，提出一种面向光学遥感卫星星上定位精度优化的轻量化矢量控制库技术。首先，在地面提取完整道路网，通过道路细化、节点提取以及拓扑关系构建等处理，生成星上轻量化矢量控制库并上注卫星；其次，星上在轨提取道路结构，并利用随机游走避免道路缺失的影响，生成随机游走矢量结构；然后，引入隐马尔科夫模型，搜索对应矢量，并设计分层匹配策略以精化匹配结果，实现星上轻量化矢量控制库与随机游走矢量结构的匹配；最后，利用不同类型卫星影像进行随机游走矢量结构提取、星上矢量匹配以及定位性能分析。结果表明，所提光学遥感卫星的星上轻量化矢量控制库能够有效改善非量测光学遥感卫星定位精度，验证了其在光学智能遥感卫星中的可行性。

光学遥感图像广泛应用于天气预报、环境监测和海洋监管等领域。光学传感器拍摄的图像受大气条件和气候因素影响较大，云雾遮挡可导致图像内容丢失、对比度下降和颜色失真等一系列问题。基于此，提出一种基于融合和细化机制的光学遥感图像去云雾算法，实现高质量的单张遥感图像云雾去除。云雾去除网络基于融合和细化机制实现含云雾图与无云雾图的转换。其中，采用融合机制的多尺度云雾特征融合金字塔在不同尺度空间上提取云雾特征并进行融合，采用细化机制的多尺度云雾边缘特征细化单元对云雾的边缘特征进行细化加工，进而重构出清晰的无云图像。采用对抗学习策略，判别网络对特征进行自适应校正并将云雾特征分离出来，从而得到更准确的判别结果，有利于网络生成逼真的云雾去除结果。在开源数据集上选取5种算法进行对比实验，实验结果表明，所提算法云雾去除效果较优，没有产生颜色失真和伪影等现象。在薄云测试集上，所提算法的结构相似性（SSIM）和峰值信噪比（PSNR）分别超过第二名约11.9%和15.0%，在厚云测试集上，所提算法的SSIM和PSNR分别超过第二名约9.3%和9.9%。

针对快速、高分辨获取CO₂排放量并有效识别CO₂排放源分布的需求，集成了近红外差分吸收光谱遥测系统，研究了反演CO₂浓度信息的近红外差分光学吸收光谱算法，并结合通量算法估算了典型排放源的排放通量。分别选取电厂和合肥市科学岛为观测点，开展了对典型点排放源和复杂背景下面排放源的CO₂浓度分布研究，分析了参考光谱的选择对于结果反演的影响，选择背景光谱为参考谱，获取了CO₂柱浓度信息，柱浓度反演误差可达到0.79%，并利用双三次插值算法得到了高空间分辨的CO₂柱浓度二维浓度分布结果，结合浓度分布结果和观测参数计算了电厂CO₂的排放通量为1925 kg，其中测量距离估算误差为主要误差源。初步开展了对合肥市边界层CO₂浓度分布的研究，获得了合肥市大气边界层郊区、电厂区和城市区的CO₂浓度分布特点，该研究对下一步开展城市温室气体排放的评估具有重要意义，为城市碳排放遥测提供了一种可靠的技术和方法。

静止轨道快速成像仪（GHI）是风云四号B星（FY-4B）的主要有效载荷之一。针对该仪器长波红外波段的大视场、高空间分辨率等特点，提出了相应的发射前辐射定标和表征方法。建立了一套定标系统装置，实现了长波红外波段的发射前辐射定标，定标不确定度优于0.67 K@300 K。测量并研究了长波红外波段的空间噪声特性。根据长波红外焦平面4个线阵的设计特点，提出了两种最佳成像探元选择方法，即基于信噪比最大化和响应信号固定图形噪声最小化的方法。测量并分析了这两种最佳成像探元组合线阵的温度探测灵敏度，均优于任务要求，平均水平达到了50~60 mK@300 K。评估了星上黑体参考标准的精度，星上黑体标称亮温比真实亮温偏低约0.42 K@300 K，该结果对黑体的在轨应用具有重要参考意义。

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。