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。

从遥感图像中提取的道路信息在城市规划、交通管理等领域具有极其巨大的价值，但由于背景复杂、障碍物遮挡以及大量类似的非道路区域的干扰，目前从遥感图像中提取高质量道路信息仍受到限制。为此，提出一种基于混合尺度注意力U-Net的遥感图像道路提取方法HSA-UNet。首先，在编码网络使用由残差结构和注意力特征融合机制构成的注意力残差学习单元，提高对全局特征和局部特征的提取能力；其次，由于道路具有跨度大、狭窄且连续分布等特点，在桥接网络加入注意力增强的空洞空间金字塔池化模块来增强不同尺度道路特征提取能力。在Massachusetts道路数据集上进行的实验结果表明，在F1、交并比等评价指标上，HSA-UNet明显优于D-LinkNet、DeepLabV3+等语义分割网络。

全色(Panchromatic, Pan)图像与多光谱(Multi-spectral, MS)图像融合的目的是生成具有高空间分辨率的多光谱图像。为了进一步提升融合图像的质量，提出一种基于细节信息提取的融合方法。首先，使用滚动引导滤波器与差值运算分别获取 Pan与 MS的高频分量。其次，采用自适应强度 -色度 -饱和度(Adaptive Intensity-Hue-Saturation，AIHS)变换处理 MS的高频分量与经像素显著性检测后 Pan的高频分量，生成对应的强度分量(Intensity，I)，再将 Pan与 I作差值运算获取细节图像。接着，采用引导滤波器计算 Pan与 MS的高频分量的差值，得到残差图像。最后，利用最速下降法将细节图像与残差图像注入到原始的 MS图像中获得最终融合结果。实验结果表明，本文所提算法得到的融合图像能够取得较好的主观视觉效果，且客观定量评价指标较优。

为了解决高光谱图像领域中, 传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题, 采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法, 从空间增强、光谱-空间两方面分别进行了特征提取。首先从空间增强角度提出一种3维-2维卷积神经网络混合结构, 得到增强后的空间信息; 其次从光谱-空间角度利用3维卷积网络结构, 得到光谱-空间的综合可分性信息; 最后将所得信息进行特征融合并分类。用该方法在两个数据集上进行了实验并与其它方法进行了对比。结果表明, 该方法在Indian Pines与Pavia University数据集上分别取得了99.36%和99.95%的分类精度, 其分类精度和kappa系数都优于其它方法。该方法对高光谱图像的分类表现出竞争优势。

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息，本文提出了一种基于特征重要性的卷积神经网络（ convolutional neural networks，CNN）分类模型。首先，利用贝叶斯优化训练得到的随机森林模型（ random forest，RF）对高光谱遥感图像进行特征重要性评估；其次，依据评估结果选择合适数目的高光谱图像波段，以作为新的训练样本；最后，利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据，实验结果均表明：相比原始光谱信息直接采用支持向量机（ support vector machine，SVM）和卷积神经网络的分类效果，本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。

两视角激光雷达数据配准是空地探测遮蔽目标研究领域中的一项重要内容，迭代最近点（ICP）算法为其提供了理论基础，但遮蔽条件下激光雷达数据的复杂性使ICP算法在对应点确定上面临很大困难。在分析ICP算法基本原理和遮蔽条件下激光雷达数据特点的基础上，从控制点选择、对应点匹配和伪点对剔除三个方面给出了ICP算法的具体应用策略和改进措施，并提出一种基于固定-自适应重叠率的伪点对剔除方法。详细阐述了基于改进ICP算法的两视角激光雷达数据配准的具体步骤，并进行了实验验证。实验结果表明：改进后的ICP算法能够有效实现了遮蔽条件下的激光雷达数据配准，且与其他算法相比，具有较强的稳建性和较高的配准精度。