针对深度学习目标检测算法由于模型体积过大、参数量过多而在星上部署困难的问题，在YOLOv5检测模型的基础上，提出了一种轻量化的光学遥感影像目标检测算法——LW-YOLO。首先，针对YOLOv5网络中的特征信息冗余所带来的计算开销，引入轻量化Ghost模块替换网络中的普通卷积以减少参数量；接着，设计了一种空间和通道融合的注意力模块Fusion Attention（FA），并在此基础上重构了网络的瓶颈层FABottleneck，进一步减少参数量，并提高算法对于光学遥感影像目标的定位能力；最后，提出了一种稀疏参数自适应的网络剪枝方法对网络进行剪枝，进一步压缩模型大小。在DOTA数据集上的实验表明，LW-YOLO算法相比于YOLOv5s参数量下降了64.7%，模型大小下降了62.7%，推理时间降低了3.7%，同时平均精度均值仅仅下降了6.4%。该算法以较小的精度损失为代价实现了网络模型的轻量化，为星上光学影像在轨目标检测提供了理论基础。

为满足自动驾驶、人机交互等任务对语义分割算法准确度和实时性的要求,提出一种基于特征融合技术的实时语义分割算法。首先,利用卷积神经网络自动学习图像深层特征的功能,设计一个浅而宽的空间信息网络输出低级别的空间信息,以保持原始空间信息完整性,从而生成高分辨率特征;接着,设计一个语境信息网络来输出深层次、高级别的语境信息,并引入注意力优化机制来代替上采样,优化网络的输出;最后,将两路输出特征图进行多尺度融合,再上采样得到与原始输入尺寸相等的分割图像。两路网络并行计算,提高了算法的实时性。在Cityscapes、CamVid数据集上对该网络框架进行一系列实验。其中,在Cityscapes数据集上取得了68.43%的均交并比(MIOU)。对于640×480的图像输入,在一块NVIDIA 1050T显卡上的速度为14.14 frame/s。本文算法在准确度上大幅超越现有实时分割算法,基本满足人机交互类任务对实时性的要求。

针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集, 然后使用该数据集预训练模型, 最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明: 所提方法有效提升了少数类的识别精度, 缓解了数据不平衡问题对识别结果的影响; 所提轻量化CNN模型在保证识别精度基本不变的前提下, 使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。