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。

针对合成孔径雷达在生成图像时产生的固有斑点噪声问题，提出了一种基于多尺度注意力级联卷积神经网络的去噪算法，用多尺度卷积网络与注意力机制来实现图像的特征提取，将级联网络结构作为主网络中的特征增强部分，并加入批量归一化来防止模型中出现过拟合。实验结果表明，所提算法相较于其他传统图像去噪算法，峰值信噪比、结构相似性分别平均提高了0.75 dB~14.45 dB和0.01~0.16，在图像熵上也优于其他算法，并且能较好地恢复图像中的细节信息。