遥感影像解译是获得土地利用和土地覆盖（LULC）信息最为重要的途径之一，而自动化分类是提高LULC信息获取效率的关键。实际场景中包含大量不精准的先验知识，提取并融合其中的可用知识能进一步提高影像分类方法的精度、自动化率和规模应用能力。基于上述情况，提出了一种融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法。该方法可自动规避先验知识中的不精准单元，在图斑约束空间内实现了分类样本的自动化区域选择和特征提取，并获得了高置信度知识，然后利用这些分类样本训练深度残差网络，从而实现大区域影像的精确分类。以常州市新北区为例进行实验，选用该区域2009年土地利用现状数据作为先验数据，2014年Landsat 8 OLI影像作为待分类影像。实验结果表明，所提方法可融合不精准先验知识，对大面积连片LULC信息分类精确，主要地类图斑界限准确，全图分类图斑精度达到了88.7%，Kappa系数为0.842。该方法能配合深度学习方法实现高精度Landsat 8 OLI遥感影像分类。

针对海量遥感影像快速分类的应用需求,提出一种基于K-means算法的遥感影像并行分类方法.该方法结合CPU下进程级与线程级模式的并行特征,设计融合进程级与线程级并行的两阶段数据粒度划分方法和任务调度方法,在保证精度的基础上实现并行加速.利用大数据量的多尺度遥感影像进行实验,结果表明:所提并行方法可大大减少遥感影像的分类时间,取得了良好的加速比(13.83),并可达到负载均衡,从而解决了大区域遥感影像快速分类的问题.

将并行计算应用到大数据量简单要素模型多边形拓扑检查中，设计实现了简单要素模型多边形拓扑检查并行算法。算法针对拓扑检查的计算特点，改进了主从式并行策略，在主进程中进一步划分线程以实现任务并行，从而隐藏拓扑错误提取和结果写入时间。采用MPI和PThread实现进程与线程的结合。利用苏南五市土地现状调查地类图斑数据对算法进行测试。经测试，该算法能够对大数据量简单要素模型多边形进行准确、快速的拓扑检查。算法提出的进程与线程结合的任务并行策略相对于传统主从式策略加速比提高约20%。

针对渐进传输系统在多分辨率矢量数据生成过程中存在的计算费时、拓扑不一致问题,提出一种适用于网络渐进传输的多分辨率曲线生成算法。该算法通过预先存储的节点偏离量化简曲线,利用优化的单调链求交算法维护曲线拓扑一致性,从而支持多分辨率曲线的快速生成和拓扑一致性维护。基于该算法开发了曲线数据渐进传输实验系统,实验结果表明,多分辨率曲线数据保持了拓扑一致性,且其生成时间与数据量大小呈近线性的关系,证明了算法的有效性。