随着技术的不断发展, 遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络 (MSFE-CNNs) 的遥感目标检测算法, 通过对不同卷积层特征进行增强和融合, 使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取, 获取不同类别目标的多尺度特征; 特征增强模块用于增强不同卷积层特征相关性, 强化模型的学习能力和特征之间的非线性关系; 自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性, 在DOTA数据集上进行不同方法对比, 实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。

多光谱成像技术是遥感领域的一项重要技术。多光谱图像配准技术可以提高遥感图像的应用效率和能力。基于边缘结构在多光谱图像中较为稳定这一特性，提出了一种基于对称性边缘的多光谱图像配准方法，该方法主要包含“图像比例调整”、“对称性边缘提取”和“互信息配准”等三个步骤。基于天宫二号宽波段成像仪的遥感数据设计了一种多子图配准方案，验证了所提方法在可见光、短波红外和长波红外三个谱段之间图像配准的有效性。设置对比实验，将所提配准方法与其他多光谱图像配准方法进行比较，结果表明该方法在天宫二号宽波段遥感图像的配准中具有较高的精度。

传统提升小波变换无法有效重构遥感图像中的非水平与非垂直高频信息，导致这些地方的高频小波系数仍然较为显著，降低了遥感图像的编码效率。提出了一种新的基于方向优化的提升小波框架（DOLW）。设计基于梯度的方向预测模型获得提升小波的最优变换方向；沿最优变换方向对图像进行先垂直后水平的方向提升变换，削弱遥感图像高频子带中非水平与非垂直方向上的边缘与纹理能量；利用抽样函数完成分数像素上的插值预测。针对遥感图像的实验表明，与传统的提升小波变换相比，新算法获得的重构图像无论峰值信噪比还是主观质量都有显著提高，对今后遥感图像的压缩编码研究具有重要价值。

针对传统的自适应方向提升小波变换(ADL-DWT)算法在高分辨率遥感影像压缩中计算复杂度过高的问题, 提出一种新的基于方向预测的提升小波变换(DP-LWT)算法, 实现了高分辨率遥感影像的快速、高效压缩。新算法首先将高分辨率遥感影像分为若干不重叠子块, 然后采用梯度算子快速预测遥感影像中每个图像块的最佳提升方向, 并沿着最佳预测方向插值完成方向提升小波变换, 最后进行多级树集合分裂(SPIHT)编码。实验结果表明, 新算法有效削弱了遥感影像各子带中非水平与非垂直方向的高频系数; 与传统自适应方向提升小波变换相比, 在重建高分辨率遥感影像峰值信噪比基本相同的情况下, 有效减少了小波变换中方向预测的计算复杂度。

针对传统视觉注意模型在遥感影像视觉显著区域检测中存在的计算复杂度高、检测精度低等缺点，提出了一种新的视觉显著区域快速检测算法。首先利用整数小波变换降低遥感影像的空间分辨率，从而降低视觉注意焦点检测的计算复杂度；然后在视觉特征融合中引入二维离散矩变换，生成边缘与纹理信息更为丰富的遥感影像显著图；最后在显著图分析中提出区域增长策略来获得视觉显著区域的精确轮廓。实验结果表明，新算法不仅有效降低了遥感影像视觉显著区域检测的计算复杂度，而且能够精确描述视觉显著区域的轮廓信息，同时避免了对整幅遥感影像的分割与特征提取，为今后的遥感影像目标检测提供了一定地参考价值。

分析了Kuan滤波和σ滤波两种基于局部统计滤波的斑点噪声平滑算法的原理,以实际的激光遥感图像为例进行了滤波实验,并对滤波性能进行了比较,结果表明Kuan滤波是有一定自适应能力的局部统计滤波方法,而σ滤波是简单而高效率的平滑算法.