针对传统多尺度融合方法不能突出目标信息、融合图像缺失细节与纹理的问题，提出一种基于梯度域引导滤波和显著性检测的红外与可见光图像融合方法。该方法利用梯度域引导滤波将输入图像分解为基础层和细节层，同时利用加权的全局对比度方法将基础层分解为特征层以及差异层。在融合过程中，分别采用相位一致性组合加权局部能量、局部熵结合加权最小二乘优化、平均规则来融合特征层、差异层、细节层。实验结果表明，所提融合方法的多项指标相对于其他方法提升较多，且图像视觉效果更好，在突出目标信息、保留轮廓细节、提高对比度和清晰度方面十分有效。

由于水体对光的吸收和散射作用，水下图像普遍存在颜色失真和细节模糊这两种退化问题。为了得到色彩鲜明、细节清晰的水下图像，提出了一个基于多尺度注意力和对比学习的水下图像增强算法模型。该模型采用编码-解码结构作为基础框架，为了提取到更细粒度的特征，在编码部分设计了一个多尺度通道像素注意力模块，利用3个并行支路提取图像中不同层次的特征，然后将3条支路提取的特征进行融合输入到下一层编码器以及对应的解码层，提高网络特征提取以及细节增强的能力。最后，为了进一步提高增强图像的质量，引入对比学习训练网络。大量实验证明，本文算法增强后的图像色彩鲜明且细节信息保留较好。峰值信噪比和结构相似性指标的平均值最高可达到25.46和0.8946，与其他方法相比至少提高了4.4%和2.8%；水下彩色图像质量指标和信息熵的平均值最高为0.5802和7.6668，与其他方法相比均至少提高了2%；特征点匹配平均比原始图像多24个。

现有的U-Net虽然为遥感图像道路提取提供了较为理想的解决方案，但由于其缺乏对全局信息的关注，模型对于上下文信息的提取能力不足。为了进一步提高道路提取的准确度与完整度，提出一种结合上下文信息与多层特征融合的context＆multilayer features-UNet（CMF-UNet），该模型利用金字塔特征聚合模块融合多层特征，并引入多尺度上下文信息提取模块用于加强上下文信息捕获能力。在Massachusetts Roads和CHN6-CUG两个数据集上进行实验验证，结果表明，所提方法能够有效提升道路分割精度，相较于原U-Net，CMF-UNet在Massachusetts Roads数据集上的召回率、F1 分数和交并比分别提升了5.77个百分点、2.02个百分点和2.62个百分点，在CHN6-CUG数据集上的召回率、F1分数和交并比分别提升6.47个百分点、1.53个百分点和2.04个百分点。

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。

针对当前去雾算法中容易产生的图像伪影、图像颜色失真、图像细节模糊不清等问题，提出一种并行多尺度注意力映射图像去雾算法，通过端到端方式以编码器解码器结构实现图像去雾。在编码阶段，采用连续下采样层降低特征维度，避免过拟合。在特征转换阶段，采用并行分支结构设计并行多尺度注意力映射模块，使模型能够在关注图像重要特征的同时充分利用多尺度特征，并通过并行连接选择性特征融合模块有效收集图像空间结构信息。解码阶段，采用上采样层重构图像，并通过上下采样层融合更好地保留图像边缘信息。实验结果表明，该算法在合成雾天数据集以及真实雾天图像上均具有较好的去雾效果，相较于传统去雾算法，可更好地保留图像细节，具备较好的色彩保持度。

旋转目标检测是遥感图像解译的重要任务之一，存在目标方向任意、小目标密集排列、目标表示引起的角度周期性等典型问题。针对上述问题，提出一种基于DEtection Transformer（DETR）目标检测器和改进去噪训练的旋转目标检测方法，即arbitrary-oriented object detection Transformer with improved deNoising anchor boxes（AO²DINO）。首先，该方法引入一种多尺度旋转可变形注意力模块，将角度信息以旋转矩阵的形式引入注意力权重的计算，提高了模型对旋转目标的适应能力。其次，针对小目标密集排列问题，提出一种自适应的样本分配器，引入旋转交并比和自适应阈值，实现对密集目标更加精确的采样，提升了模型对小目标的检测能力。最后，在模型中引入基于卡尔曼滤波的交并比（KFIoU）作为回归损失，以解决旋转目标表示引起的角度周期性问题。AO²DINO在DOTAv1.0和DIOR-R两个公开数据集上与典型的旋转目标检测方法进行了比较，在DETR系列旋转目标检测方法中检测精度最高，且训练时收敛速度更快，在训练12个epochs时就几乎达到了其他旋转目标检测方法训练36个epochs时的检测效果。