高分辨率无人机遥感图像具有极为丰富的语义和地物特征，在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题，基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先，利用多种主干网络进行下采样，采集图像的低级特征和高级特征。其次，将原模型的atrous spatial pyramid pooling（ASPP）全部替换成深度可分离混合空洞卷积，同时添加自适应系数，减弱网格效应。之后，抛弃传统上采样的双线性插值法，替换为可学习的密集上采样卷积。最后，在低级特征中串联注意机制。选用多种主干网络进行实验，数据集选用四川省隆昌市地区的部分图像，采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明：所提方法不仅具有较高的分割精度，而且减少了计算量和参数量。

为了实现微纳卫星MEMS陀螺动态在线滤波, 对MEMS陀螺阵列建模, 设计可应用于动态过程的最优在线数据融合算法, 建立陀螺阵列测试系统, 并对融合滤波的陀螺系统的性能对比分析。首先, 建立多个陀螺的量测模型。接着基于信息融合模型, 使用Kalman滤波算法, 对预测的协方差矩阵进无求逆运算迭代; 然后, 基于误差估计, 对动态时变信号滤波模型建模, 并给出了融合滤波方法; 最后, 搭建6个MEMS陀螺在线滤波系统, 验证该算法的有效性。实验结果表明: 滤波误差可降低为单陀螺采样误差的1/15, 精度提高一个数量级; 运算量相比层序式滤波减少为1/4, 计算时间减少为1/3。本文所提算法在提高精度的基础上, 显著提高了MEMS陀螺系统的性能指标, 拓展了MEMS陀螺在微纳卫星的应用范围。