目前主流的神经网络在面对复杂多样的地物目标时难以精确区分，同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此，在分析遥感影像的地物特点后，提出一种基于权重动态变形的双重网络遥感影像分类方法，通过构架灵活、简易却有效的权重动态变形结构，构建经过改进的分类网络与目标识别网络，形成双网络对照的自我验证，从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明，所提方法在容易实施的基础上，表现出更强的地物认知能力和更强的噪声抵抗能力，即其能够适应各种遥感影像的分类任务，具有较为广阔的应用潜力。

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。

飞机掩体是关键的飞机防护工事，利用遥感影像实现飞机掩体的快速准确检测有重要意义。为探究遥感影像飞机掩体检测方法，收集了60个包含飞机掩体的机场信息及Google Earth影像，构建了一个飞机掩体高分辨率遥感影像数据集。对比Faster R-CNN、SSD、RetinaNet、YOLOv3和YOLOX等5个深度学习目标检测模型的综合性能，结果表明，在飞机掩体影像数据集上YOLOX模型表现更佳，平均精度可达97.7%，但水平框的检测结果无法获得飞机掩体的精确边界和朝向。为此，对YOLOX模型进行改进，提出针对不同朝向下的飞机掩体检测新方法R-YOLOX，实现对飞机掩体的旋转检测，旋转预测框更加贴合目标轮廓，采用KL 散度损失改进后的模型精度显著提升，准确率提升了7.24个百分点，对飞机掩体具有更好的检测效果。从水平框和旋转框这2个角度都能实现飞机掩体的准确检测，为高分辨率遥感影像中飞机掩体的准确识别提供了新思路。

受成像机理的限制, 目前的遥感硬件技术条件尚无法获取同时具备高空间、 高光谱分辨率的多波段遥感影像。 多波段遥感影像作为一种反映各个不同窄波段区间信息的三维影像集合, 其包含二维空间信息和一维光谱信息, 空间信息反映场景中的几何特性, 而光谱信息则对应地物在不同波段的电磁波特性。 为弥补多波段遥感影像空间信息采集的不足, 利用辅助影像增强其空间分辨率, 即多波段遥感影像的锐化受到重视。 多波段遥感影像锐化不仅可提升影像的视觉效果, 同时可为诸如地物分类、 变化检测和参数反演等后继的定性、 定量化遥感应用奠定基础, 因而一直是遥感影像处理领域非常重要且持续活跃的研究方向。 为此, 对多波段遥感影像锐化方法的研究进展进行综述: 一是对多波段遥感影像锐化的内涵进行了表述； 二是以多光谱（MS）影像的全色锐化为视角、 以算法实现的技术为脉络, 分别从基于成分替代（CS）、 基于多分辨率分析（MRA）、 基于最优化模型（OM）和基于深度学习（DL）四个方面对多光谱遥感影像锐化方法的研究进展和存在的问题进行分析和讨论； 三是结合高光谱（HS）影像所存在的不同于MS的自身特性, 对HS影像的锐化特点进行了分析, 并对不同于MS的一些特有HS锐化方法进行了讨论和归纳； 最后对多波段遥感影像锐化方法未来的发展进行了展望, 分别从目前CS和MRA方法更受到主流认可的原因, 以及未来多波段遥感影像锐化领域将呈现出多种方法的相关融合两个方面进行了讨论。

沙尘天气事件作为一种危害性极大的灾害天气, 对我国西北干旱区生态环境影响显著。 借助于地面实测颗粒物数据、 MODIS影像数据、 OMI传感器影像数据、 CALIPSO激光雷达数据, 采用HYSPLIT模式对我国西北地区2016年一次典型沙尘事件时空演变特征进行研究。 首先, 基于PM2.5/PM10指数判断西北地区典型城市大气污染源性质以及污染情况; 然后, 利用MODIS影像MCD19-A2数据产品-气溶胶光学深度AOD数据、 OMI-Aura L3级OMAEROe数据产品-紫外吸水性气溶胶指数AAI数据和CALIPSO-Level1级数据, 分析大气气溶胶中沙尘水平空间分布特征; 最后, 借助HYSPLIT模式模拟沙尘气流后向轨迹, 确定区域内沙尘传送路径。 研究结果显示, 西北地区典型城市中西宁、 兰州、 银川在2016年4月30日—5月1日前后PM10指数均超过200 μg·m-3, PM2.5/PM10均小于0.6, 且处于较低值, 这表明是由于自然污染源影响导致空气中可吸入颗粒物含量上升, 可推测此次为沙尘暴事件影响; 大气气溶胶在沙尘事件发生期间呈现出明显水平变化特征, 沙尘事件起源于南疆盆地, 在5月1日至5月4日持续影响新疆南部和中部地区, 青海、 甘肃、 宁夏以及陕西部分地区也受到影响; 根据其变化可知, 塔克拉玛干沙漠是本次沙尘天气事件气溶胶污染形成的中心, 此次沙尘暴事件影响范围主要有新疆南部盆地和中部以及青海省北部地区; 通过对气流轨迹模拟结果来看, 2016年4月30日—5月1日沙尘暴事件通过偏西型路径主要影响新疆以及青海部分地区, 经分析可得其沙尘物质可能来源于南疆盆地、 新疆北部位于准噶尔盆地内部古尔班通古特沙漠以及境外哈萨克斯坦等地区。 这些研究结果将为抑制西北地区沙尘源地起沙过程、 保护生态环境可持续发展提供重要科学依据。

从遥感影像能够获取到精度高、范围广的地物信息，因而遥感影像在高空侦察和精确制导等领域得到广泛应用。针对遥感影像地物目标边缘模糊、尺度多变导致难以精准分割的问题，提出以深度残差网络为主干并结合注意力引导与多特征融合的分割方法，命名为AMSNet。首先，采用类别引导通道注意力模块提高模型对难分辨区域的敏感性；其次，嵌入特征复用模块减少遥感影像特征提取过程中边缘损失和小尺度目标丢失的问题；最后，设计跨区域特征融合模块以增强对多尺度特征信息的获取能力，并耦合多尺度损失融合模块对损失函数进行优化，综合提升模型对多尺度遥感影像目标的分割能力。选取3组遥感影像数据集进行对比实验，结果表明，AMSNet能够有效分割遥感影像地物目标边缘和多尺度目标。