针对高分辨率遥感影像中道路形状结构错综复杂，出现窄小型道路提取错误或漏分的问题，提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先，在原始高分辨率网络（HRNet）基础上，通过引入空洞空间金字塔池化模块，实现多尺度道路信息融合；再引入挤压激励通道注意力机制，增强网络特征表征质量；最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化，以降低模型计算复杂度。在公开数据集上进行了模型性能测试，实验结果表明，文章所提算法的准确率、精确率、召回率、F1分数和平均交并比，相比原始HRNet分别提升了5.35 %、2.15 %、4.1 %、3.15 %和14.34 %，且减少了36.1 %的参数数量；相比其他网络，该算法突出了细小道路的特征，道路预测结果连续性、完整性好，并且模型小易于部署在实时检测设备中，有效改善了道路提取任务中错分和缺失的情况，是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。

旋转目标检测是遥感图像处理领域中的重要任务，其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题，提出了一种改进的RoI Transformer旋转目标检测框架：首先，利用RoI Transformer检测框架获取旋转的感兴趣区域特征(rotated region of interest, RRoI)用于鲁棒的几何特征提取；其次，在检测器中引入高分辨率网络(high-resolution network, HRNet)提取多分辨率特征图，在保持高分辨率特征同时适应目标的多尺度变化；最后，引入KLD(Kullback-Leibler divergence)损失，解决旋转目标表示的角度周期性的问题，提高检测方法对任意方向目标的适应性，并通过旋转目标边界框参数的联合优化提升目标定位精度。本文提出的旋转目标检测方法，即HRD-ROI Transformer (HRNet + KLD ROI Transformer)，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。结果显示：相比于传统的RoI Transformer检测框架，本文方法在DOTAv1.0和DIOR-R数据集上检测结果的mAP(mean-average-precision)分别提高了3.7%和4%。

为了高效地对城市景观等复杂场景进行分割解析，本文结合高分辨率网络（HRNet），通过金字塔池化模块（Pyramid pooling module，PPM）补充全局上下文信息，提出了一个高分辨率场景解析网络。首先，以HRNet为基干特征提取网络，并利用空洞可分离卷积改进其大量使用的残差模块，在减少参数量的同时提高了对于多尺度目标的分割能力；其次，利用混合空洞卷积框架设计了多级空洞率，在稠密感受野的同时减小了网格问题的影响；然后，设计了多阶段的连续上采样结构以改进HRNetV2简单的后融合机制；最后，使用改进的可适应不同图像分辨率的金字塔池化模块聚合不同区域的上下文信息获得高质量的分割图。在城市景观数据集（CityScapes）上仅以16.4 Mbit的参数数量实现了83.3% MIOU的精度，在Camvid数据集也取得了良好的效果，实现了更加可靠、准确、低计算量的基于语义分割的场景解析方法。

针对皮肤病变图像分割时存在异物遮挡、特征信息缺失和病变区域误分割等问题，提出一种基于高分辨率复合网络的皮肤病变分割方法。该方法一是利用预处理操作细化和扩充皮肤病变图像，降低异物遮挡对网络分割性能的影响。二是利用高分辨率网络和多尺度稠密模块构建编码部分，高分辨率网络能够保证高清特征图全局传递，多尺度稠密模块能够最大化传递病变特征，减少图像特征信息缺失，精确定位皮肤病变区域。三是利用反向高分辨率网络和双残差模块构建解码部分，双残差模块在重建解码特征时能够捕获深层语义信息与空间信息，提高皮肤病变图像分割精度。在ISBI2016、ISBI2017和ISIC2018数据集上进行实验，其准确度分别为96.14%、93.72%和95.73%，Dice相似系数分别为93.16%、88.56%和92.00%，Jaccard指数分别为87.01%、77.19%和85.19%，其分割方法整体性能优于现有方法。仿真实验证明，高分辨率复合网络对皮肤病变图像具有较好的分割效果，为皮肤疾病的诊断提供了新窗口。