提出一种顾及姿态误差时空变化的全谱段光谱成像仪（VIMS）定位精度提升方法。通过分析高分五号02星（GF-5B卫星）181 d的星敏感器低频误差规律，以分段傅里叶级数模型为基础，利用时序化、多空间补偿策略，统一了非基准与基准定姿模式之间的低频误差特性，补偿低频误差对影像几何定位的影响。研究结果表明，所提方法将VIMS可见光近红外影像无地面控制几何定位精度从4.274 pixel优化至1.867 pixel，且对不同时相、不同区域的光学影像均有良好的精度提升效果。

提出了一种基于粒子群优化的融合方法，旨在解决图像融合过程中可能出现的光谱信息和空间细节信息损失、融合图像不清晰等问题。首先对原始图像进行预处理，以获取图像各通道的边缘检测矩阵；其次，利用最小二乘法计算光谱覆盖系数，以获取细节图像；最后自适应注入模型框架，引入加权矩阵，利用粒子群优化算法和综合全局相对误差（ERGAS）指数函数优化边缘检测的权重，计算数据集波段权重，生成最终的融合图像。选取了不同分辨率的遥感卫星影像（WorldView-2、GF-2和GeoEye）进行了研究，并采用5种不同融合方法进行对比实验，选用6种评价指标进行定量分析。结果表明，所提方法在主观视觉效果以及平均梯度和空间频率等客观定量评价指标上表现优于其余方法，在保留光谱和空间信息方面也取得了较好的融合效果。

针对传统城墙病害检测采用人工勘测方法，检测效率较低且易受到主观因素干扰等问题，提出一种基于卷积神经网络的城墙多光谱成像病害无损检测方法，利用最小噪声分离方法对城墙多光谱成像数据进行预处理，降低数据维度的同时保留原始数据特征，减少数据噪声；为解决城墙不同病害类型的像素混杂多样造成分类准确率较低的问题，利用卷积操作对城墙病害进行特征提取，保留最重要的特征并去除无关特征，稀疏网络模型；通过全连接层对提取到的特征进行整合梳理和分类，并加入两次dropout防止过拟合问题的出现。最后在城墙多光谱数据集上，使用训练后的卷积神经网络分类模型对城墙病害进行像素级分类检测，并将预测结果进行可视化展示。实验结果表明：总体精度和Kappa系数分别为93.28%和0.91，表明所提方法是有效的，该方法对提高城墙病害检测准确率、掌握城墙病害分布具有重要意义。

系统地探究了典型多光谱彩色成像系统的最优光谱通道数的确定问题。在前期多目标滤色片优化选取方法的基础上，将仅限于相同通道滤色器优化的概念拓展至不同通道数最优滤色器的优化，从而达到最优通道数确定的目的。基于Munsell光谱反射率数据集构建光谱反射率成像目标，通过真实CCD成像传感器的光谱灵敏度、D65光源的光谱功率分布以及高斯滤色器模型和最大线性独立滤色器选择算法，在10个噪声水平下实现了3~31个光谱通道，即29个虚拟多光谱相机对成像目标的光谱反射率重建的仿真计算。结果表明，通道数小于8时，5通道滤色器表现最优；和A光源相比，D65光源下的5通道最优滤色器的最大带宽达到80 nm，性能有显著的提升。

分量替换是遥感图像融合中的一种经典方法，其具有良好的空间保真度，但容易产生光谱失真，为此本文提出一种结合结构与能量信息的全色与多光谱图像融合方法。方法首先通过超球面颜色空间变换分解多光谱图像的空间和光谱信息。其次，通过联合双边滤波引入了两层分解方案。然后，将全色图像和强度分量分解为结构层和能量层。最后，提出结构层通过邻域空间频率策略融合，强度分量的纯能量层用作预融合图像的能量层。强度分量定义颜色的强度，通过将预融合结构层与强度分量的能量层结合，可以有效地结合源图像的空间和光谱信息，从而减少全色锐化图像的光谱失真。本文在 Pléiades和 QuickBird数据集上进行大量实验，并对实验结果进行定性和定量分析，结果表明所提方法与现有先进方法相比具备一定优越性。

光谱反射率维度高, 与光照和观察条件无关, 能够真实、 客观地描述物体的颜色信息, 由物体本身特性决定, 因此被称为物体的“指纹”。 但是, 光谱反射率数据量超过传统三色系统十倍以上, 这些巨大的光谱数据在存储、 数据处理及传递等方面造成巨大的负担, 花费太多的计算时间。 如果高维光谱可以通过数学变换方法映射到低维空间, 并确保低维空间能够更好地表示原始光谱所覆盖的信息, 可以有效地压缩多光谱数据, 提高基于光谱的颜色复制的处理效率。 针对主成分分析法平等地对待可见光范围的所有波长, 重建光谱仅仅是对原始光谱的数学逼近, 由于波长对颜色的重要性不同, 经常会导致光谱重建误差较小而色度误差较大的问题, 提出了一种基于光谱色差权重函数的多光谱降维算法。 使用主成分分析法将孟塞尔颜色系统Munsell维度降低到1维, 再恢复重建到31维, Munsell的原始光谱和重建光谱的平均光谱色差作为权重函数。 以NCS为训练样本, 分别以NCS、 Munsell和3张多光谱图像为测试样本, 分析和比较本文推荐的权重主成分分析法与主成分分析法以及另外4种权重主成分的性能。 以D65/2°和A/2°照明观察条件下的CIELAB色差和均方根误差(RMSE)分别评价测试样本的原始光谱和重建光谱之间的色度重建精度和光谱重建精度。 实验统计结果表明: 相对于主成分分析法, 无论测试样本是多光谱数据还是多光谱图像, 推荐的方法在牺牲一定光谱重建精度的情况下, 在D65/2°和在A/2°两种照明观察条件下的色度重建精度得到显著的提高, 而色度重建精度提高对于目前广受关注的基于光谱的颜色复制研究具有非常重要意义。 实验统计结果也表明本文推荐的方法的色度重建精度优于目前已经存在的另外4种权重主成分分析法。

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。

叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。