以黑龙江省哈尔滨市道外区为研究区，系统探讨分析了基于遥感的不同方法在积雪信息识别中的应用。首先，对研究区两个时相的高分六号(GF-6)多光谱相机(PMS)影像进行目视解译，掌握了研究区内地物类型和积雪分布特点。其次，基于目视解译结果，选取了 8种典型地物类型，得到了“积雪”和“非雪”两类像元的光谱特征规律。再次，探讨分析了 6种方法在积雪识别中的应用，利用精确率、召回率和 F指数 3个指标进行了精度评价。最后，提出了基于投票结果的最终识别结果判定方法，得到了研究区积雪信息最终识别结果。研究表明：①受下垫面和阴影的影响，研究区“同谱异物”和“同物异谱”现象普遍；②深度学习算法的识别效果最好，决策树法的识别效果相对较差；农田区的识别精度高于池塘区，误识别和漏识别的现象都相对较少；③基于投票结果的最终识别结果判定，可以有效改善单一识别方法存在的误识别和漏识别现象。

在无人机GPS信号丢失的情况下,测试桩的视觉辅助识别精度是影响油气管线自动巡检工作的关键因素。针对测试桩自动识别的精度问题,在分析测试桩及其周围地物背景目标特性的基础上,先用深度学习算法判断出测试桩被周围地物背景遮挡的情况。对于被遮挡的测试桩,采用不显著目标相对定位算法检测出测试桩的具体位置。最后通过现场采集的数据实验验证了文中算法的有效性。

城市道路普遍存在机动车、非机动车、行人的人车混行路段, 车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标, 对检出目标中的车辆目标进行识别与筛选, 设置感兴趣区域, 在车辆目标经过感兴趣区域时计数, 并用核相关滤波器跟踪车辆, 避免车辆重复计数; 在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明, 该方法中车辆的检测、跟踪、计数结果良好, 可应用于混合交通中的车流量检测。

针对资源三号卫星影像波段少、光谱范围受限的特点,提出了基于深度学习的资源三号卫星遥感影像的云检测方法。首先,采用主成分分析非监督预训练网络结构,获得了待测遥感影像特征;其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,该模型能很好地挖掘影像特征信息;最后,将影像特征输入支持向量机分类器进行分类,获得了云检测结果。选取典型区域进行云检测实验,并与传统Otsu方法进行对比。结果表明:所提方法的检测精度高,且不受光谱范围的限制,可用于资源三号卫星多光谱影像和全色影像的云检测。