高精度天文大地垂线偏差在地球重力场模型精化、区域大地水准面模型验证等领域具有重要的应用。目前，数字天顶仪是最为常用的天文大地垂线测量仪器，但存在结构复杂、体积庞大、设备笨重、价格昂贵、运输不便等缺点。本文提出了一种利用图像全站仪实现高精度、全自动垂线偏差测量的方法。简要介绍了垂线偏差测量的基本原理和数据处理方法，并利用Leica公司生产的TS60图像全站仪，在河南郑州和陕西泾阳进行了为期1 a共计23个夜间的野外试验。结果表明，观测时间为12 min时，垂线偏差的内符合测量精度达到0.18″~0.23″；观测时间增加到96 min时，内符合精度提升至0.13″~0.19″，外符合精度优于0.2″。与数字天顶仪相比，图像全站仪兼具了测量精度和效率，甚至具备单人观测的条件，因此具有广阔的推广应用前景。

为顺应多频多模发展趋势，PPP-RTK技术正逐步由传统的消电离层组合数据处理模式发展为非差非组合模式。现有非差非组合PPP-RTK研究多针对码分多址（CDMA）系统，而频分多址（FDMA） PPP-RTK受频率间偏差的影响难以实现。本文针对区域参考网，提出了一种CDMA+FDMA多系统非差非组合PPP-RTK模型，该模型能灵活处理多频多模两类信号体制的数据。为了实现FDMA PPP-RTK，本文利用整数可估理论保证了模糊度固定的严密性，该FDMA PPP-RTK模型适用于同款接收机的参考网。本文采集了香港连续运行参考网的GPS、BDS、Galileo、GLONASS数据进行试验，数据采样率为30 s。服务端结果表明，由于各产品之间高度相关，对组合产品进行精度评估是有必要的。组合卫星钟差、卫星相位偏差和电离层产品后，精度达到毫米级，满足用户精密改正的要求。用户端仿动态定位结果表明，GPS、BDS和Galileo单系统PPP-RTK分别在5、1和3 min实现了模糊度首次固定，定位误差收敛至厘米级。GLONASS组合GPS实现了首历元模糊度固定，定位精度比GPS单系统提升了9%、12%、14%（东、北、天3个方向）。BDS组合GPS同样能实现首历元模糊度固定，定位精度比GPS单系统提升了29%、22%、18%，额外加入Galileo观测值，定位精度进一步提升了12%、8%、16%。再加入GLONASS观测值，定位精度仍有小幅提升（4%、3%、8%）。

针对GNSS-R反演潮位过程中，由测站天线相位中心与潮位基准面高度的不确定性造成的误差，本文提出了基于抗差估计的优化方法。通过确定观测值的最优权重，削弱水面高度粗差反演值，求解高精度测站高度，进而提高GNSS-R反演潮位的精度。基于HNLC、SC02、TDAM、TPW2这4个IGS GNSS连续运行跟踪站的数据，进行潮位反演试验，结果表明，与传统反演方法相比，本文方法计算所得测站高度分别提升了1.01、1.31、16.2、1.22 cm，反演潮位的均方根误差分别降低了26.7%、34.4%、84%、31.6%。同时，还证明了本文方法求解出的自潮位基准面起算的测站高度，可应用于后续无验潮站或验潮站数据中断情况下潮位的反演。

大气加权平均温度（T_m）是全球导航卫星系统（GNSS）反演大气水汽（PWV）的关键参数。然而，已有经验T_m模型难以捕获T_m的日周期变化，限制了其在高时间分辨率GNSS-PWV监测中的应用。利用大气再分析资料可获取高时间分辨率的T_m信息，但需使用高精度的T_m垂直递减率模型对其进行高程改正。针对已有T_m垂直递减率模型建模仅使用单一格网点数据等不足，本文引入滑动窗口算法，利用2012—2016年的MERRA-2再分析资料建立了顾及时变垂直递减率的中国区域水平分辨率分别为1°×1.25°、2°×2.5°和4°×5°的T_m垂直递减率格网模型（简称“CTm-H1、CTm-H2和CTm-H3模型”）。联合2017年的MERRA-2、GGOS大气格网数据和探空站资料，对CTm-H模型进行精度检验，并与中国区域统一的T_m垂直递减率模型（简称“统一模型”）进行比较分析。结果表明：①以MERRA-2格网数据为参考值，通过CTm-H模型将MERRA-2地表格网数据改正到分层格网数据各层高度处检验，CTm-H 3个模型性能相当，在两种T_m数据高程差异较大时，CTm-H模型表现出显著的优势，相比于统一模型，精度（RMS值）整体提高了30%。②以探空站资料为参考值，通过CTm-H模型将MERRA-2地表格网数据和GGOS大气格网产品分别改正到探空站高度处检验，与统一模型相比，CTm-H 3个模型的精度整体分别提高了3%和5%，且CTm-H和统一模型的精度相比于未顾及垂直改正提升较大，尤其在中国西部地区表现出显著的优势。总体而言，CTm-H 3个模型在中国区域均具有较高的精度，不需要实测气象参数即可提供中国区域近地空间范围内（本文指0~10 km的高程范围）任意位置实时高精度的T_m高程改正值，因此，它在中国区域的实时高精度GNSS水汽探测中具有重要的应用。

目前，全景图像位置和姿态参数的解算多基于点特征，而场景中普遍存在的线特征尚未得到充分利用。本文提出一种点-线特征联合的全景图像位姿解算方法，不仅可用于点特征缺失场景中全景图像位姿参数的解算，而且在点特征充足的场景中可提高位姿解算的精度和稳健性。该方法中的线特征使用线上的任意两点表示，不要求全景图像和三维场景同名线上的选点具有对应关系，因而易于选取，具有极大的实用性。首先，使用直接线性变换构建点-线特征联合的全景图像位姿解算模型，并针对水平线和垂直线获取简化后的模型；然后，利用仿真道路场景，从特征点和线的不同组合方式及大姿态角两方面分析该模型的适用性，并通过人工引入不同类型及量级的点-线误差分析该模型的容差性；最后，将本文方法应用于全景图像与激光点云的融合，从理论和实践两方面证明点-线特征联合的位姿解算方法在精度、稳健性和容差性方面优于单纯的点特征解算方法。

针对无人机大视角差影像之间存在仿射变形大、遮挡严重、视角差异显著等问题导致的同名点匹配存在多解和大量误匹配难题，本文提出了一种适用于大视角差影像稳健匹配方法。利用改进的具有双头通信机制的D2-Net卷积神经网络提取倾斜影像的学习型特征，在之后的同名点匹配搜索阶段，为解决唯一匹配点受到较多潜在可行解干扰的问题，设计了一种由粗到精的提纯策略，在稳健匹配同名点对的同时大幅降低匹配开销成本。将HPatches数据集中多组不同场景的影像序列和实地采集的无人机大视角差影像序列作为数据源对提出的方法进行测试，并与具有代表性的基于手工设计的ASIFT方法和基于深度学习的多种方法进行了比较。结果表明，本文方法能够提取稳健的大视角差影像序列仿射不变学习型特征，在正确匹配点数、匹配点正确率、匹配点均方根误差和匹配时间开销方面具有优势。

珞珈一号夜光（NTL）遥感影像存在云雾、辉光、分辨率降低等多种复杂的降质现象，现有的深度学习影像质量提升网络往往只针对某一种类型的降质问题，且没有充分利用影像的先验信息，训练和学习过程的可解释性差，去除的降质类型单一。因此，针对含有多种复杂降质的影像质量提升问题，提出一种可解释性先验引导的多降质特征夜光影像质量提升方法。分析降质过程和降质表现，推导出了辉光、云雾噪声和空间分辨率下降的综合降质模型，并以该模型作为先验引导构建了云雾、辉光、分辨率3类数据集。在网络结构方面，针对3类降质设计了包含通道注意力模块和像素注意力模块的残差密连卷积神经网络，并用比值稀疏约束损失函数进一步提高影像的清晰度。利用珞珈一号夜光遥感影像进行了试验，结果表明，本文方法可有效去除云雾、辉光等的影响，处理后影像中的灯光边缘信息更加清晰，空间分辨率提高，影像质量提升明显。

针对点云场景语义标注存在着手工标注费时费力、算法耗时严重、标注精度不高和不适用于大规模场景点云处理等问题，本文提出了一种结合排序批处理模式的主动学习点云场景语义标注方法。该方法首先对原始点云进行下采样处理，然后利用改进的递归特征增加法从庞大的特征集中筛选出最优特征子集，采用排序批处理模式采样算法迭代选取并人工标注少数未标注点，通过创建最小人工标注训练集来完成下采样点云的语义标注工作，最后利用邻域等权标签传播算法完成原始点云数据的标注。对3个室外大场景点云分别进行的试验表明：本文方法只需人工标注7.50%、7.35%、5.83%的点云即可完成下采样点云的标注工作。此外，对比试验表明，本文方法在标注精度和减少人工成本方面优于其他方法，能为点云语义标注工作节省大量人工成本。

深度学习是提取不透水面的一类重要方法，具有精度高，泛化性强等优势。但是模型的训练需要依靠大量的训练样本。尤其是在高分辨率、大尺度不透水面制图时，获取数量足够且高质量的训练样本非常费时费力。因此，本文结合多源遥感影像与开源数据，提出了一种大尺度高分辨率不透水面自动提取方法。该方法首先从众源数据OpenStreetMap中自动获取训练样本，然后用开源的不透水面产品对噪声样本加权，减小标签噪声对模型训练的负面影响；在此基础上，构建了一种三分支的超轻量级CNN模型，融合光学、SAR和地形数据生成10 m不透水面产品。以越南全境为试验区，对本文方法进行了验证。试验结果表明，本文提出的方法分类总体精度和Kappa系数分别为91.01%和0.82，优于目前已发布的不透水面产品。本文研究成果可为澜湄流域等热带亚热带城市可持续发展和生态环境保护提供基础技术和数据支撑。

随着传感器技术的飞速发展，基于多源光学遥感影像的变化检测已成为遥感领域中的研究热点。由于传感器成像差异，同一景象在多源光学遥感影像中通常呈现出不同的表现形式，因此面临着更加突出的“伪变化”问题。为此，本文提出了一种联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测方法。该方法首先提出了一种多尺度特征提取差分（multi-scale feature extraction difference，MFED）模块，以增强模型对“伪变化”的识别能力；在此基础上，利用UNet++网络输出的多尺度特征对变化区域进行多角度精细刻画，并提出了一种自适应证据置信度指标（adaptive evidence credibility indicators，AECI）；最后结合影像分割与Dempster-Shafer （DS）理论设计了加权DS证据融合策略（weighted dempster shafer evidence fusion，WDSEF），从而实现了深度网络像素级输出至对象级结果的映射。通过对不同地区的4组高分多源光学影像数据集进行试验，并与多种先进的深度学习方法进行对比分析，结果表明：在不同空间分辨率和时相差异条件下，本文方法的总体精度（overall accuracy，OA）和F₁ score分别可达91.92%和63.31%以上，在目视分析和定量评价均显著优于对比方法。

近年来，我国各类卫星井喷式发展，随之带来的海量卫星遥感数据保障服务的主动性不够、个性化不足等现实问题日益凸现，严重制约了卫星遥感的多领域智能应用。本文针对该问题，设计了一种顾及用户画像的遥感信息智能推荐方法。首先，构建融时间、空间、载荷、分辨率、产品级别5项核心元素的可扩展主题用户画像模型；然后，对模型中各元素权重、区间长度、分布特征值等进行具体表达，给出解算方法；最后，结合各元素权重及兴趣特征值，计算待分发数据与用户兴趣特征值的关联度，定量解算推荐度，实现遥感数据有序智能推荐。对国家减灾中心和北京市公安局禁毒总队两个用户近3 a实际需求订单的试验结果表明，该模型方法解算构建的各主题元素分布特征符合用户实际应用特点，推荐度较高，平均优于94%。研究成果为工程化实现天基遥感信息个性化服务及智能推荐提供了模型方法。

作为一种经典局部加权最小二乘方法，地理加权回归建模一直受样本空间稀疏及预测变量局部共线性等因素困扰，导致建模结果不确定性呈现空间异质。通过协方差传播定律构建后验标准差精度评价指标，本文提出了一种地理加权回归建模结果不确定性度量与约束方法，并基于地表PM_2.5浓度遥感制图实例开展了验证。试验结果表明：不确定性约束后，不同参数下地理加权回归模型的拟合精度、基于样本/站点/区域的十折交叉验证精度均有改善；局部共线性导致的模型回归系数符号偏差问题得到了改正；模型预测结果奇异值及负值能被有效甄别，有效提升了地表PM_2.5浓度制图结果的可靠性。该不确定性度量与约束方法可有效保证地理加权回归模型估算结果的稳定性和有效性。

兴趣点（POI）是电子地图、导航等应用关注的主要要素之一，其数据质量直接影响地理信息服务的智能化水平。鉴于OpenStreetMap （OSM）等众源地理信息数据的非专业收集特征，其POI数据标签常存在缺失、标记错误等质量问题，亟须对POI标签进行智能化推断和增强处理。常规神经网络模型直接从单一层次预测多类别数据，未考虑POI类别在数量上分布不平衡的问题，其预测标签倾向于包含较多数据的类别，学习算法难以泛化小规模样本规则。本文考虑到不同POI类别间的数据规模差异较大，提出基于多层次POI类别组织的神经网络预测方法，通过小样本类别的层次化聚合，建立POI类别树结构，在树结构的不同层次上实现数据规模相对平衡的类别划分，支持神经网络高精度的标签预测。试验表明，本文方法仅需利用POI基础位置信息与邻近关系，其预测精度高于传统方法。

针对高采样率GNSS轨迹数据在复杂城市路网中的匹配问题，本文提出一种基于路径增量的匹配方法。该方法分为组合过滤及增量匹配两个部分，首先通过组合过滤进行路网简化，然后以路径为增量进行匹配计算，在路口点处的匹配中采用综合距离因子与弯曲度的相似度评价方案。为验证其有效性，选取多条复杂程度各异的高采样率轨迹数据进行试验，并与曲率积分约束的地图匹配算法和隐马尔科夫模型两种现有匹配方法进行对比。结果表明，本文算法在高采样率匹配试验中的匹配准确率和效率均表现最优，且能够较好地处理各类复杂路段的匹配，能够满足在复杂城市路网中的高采样率轨迹匹配的需求。