针对红外与可见光图像融合过程中细节信息丢失过多、融合结果纹理不清晰、对比度不高等问题，提出一种基于图像增强和二次非下采样轮廓波变换（NSCT）分解的红外与可见光图像融合方法。首先，对可见光图像采用基于引导滤波的图像增强算法提升图像可视性。其次，对增强后的可见光图像和红外图像分别进行NSCT分解得到低频子带和高频子带，并且在不同子带间使用不同的融合规则，得出一次融合图像的NSCT系数。然后，对一次融合图像的NSCT系数重构再分解为高频子带和低频子带并分别与可见光图像的高低频子带融合得到二次融合图像的NSCT系数。最后，对二次融合图像的NSCT系数进行逆变换重构得到最终的融合图像。利用公共数据集进行大量试验，使用8种评估指标，与8种基于多尺度的融合方法对比。实验结果表明：所提方法能保留更多源图像中的细节信息，还能提高融合结果的边缘轮廓清晰度、整体对比度，在主观视觉和评价指标上都存在优势。

高分辨率遥感影像建筑物提取是遥感影像解译的一个重要研究方向。针对传统提取方法中小型建筑物容易丢失和大型建筑物边界模糊问题，以Unet为基础，提出一种基于多模块建筑物提取网络（MM-Unet）。首先在网络的编码和解码部分引入多尺度特征组合模块（MFCM）以获取并补充更多的空间信息。之后在解码器末端加入多尺度特征增强模块（MFEF）以增强多尺度特征的提取。在跳跃连接完成后引入双重注意力模块（DAM），使网络能够自适应地学习通道和空间位置的特征重要性，减小不同深度特征的差异。为了验证所提网络的有效性，分别在空间分辨率为1 m、0.3 m、0.09 m的Massachusetts、WHU以及Vaihingen建筑物数据集上进行实验，MM-Unet的交并比分别达到73.42%、90.11%和85.21%，相比于Unet分别提高2.21个百分点、1.25个百分点和1.55个百分点。结果表明，MM-Unet对于不同尺度的建筑物表现出较高的提取精度和较强的泛化能力。