随着遥感技术的不断发展，遥感数据呈现出海量增多的趋势，如何提供精准及时的遥感信息推荐服务成为亟待解决的问题。现有的遥感图像推荐算法大多针对用户画像进行设计，忽视了图像内容的语义信息对推荐结果的影响。针对上述问题，提出一种基于内容解译的遥感图像推荐方法。首先，通过基于YOLOv3的目标检测模块对遥感图像进行目标提取；然后，整合关键目标的位置分布向量作为图像内容信息；同时，构建多元素的用户兴趣画像，并根据用户主动搜索历史进行动态调整，以提高推荐结果的个性化程度；最后，将图像内容信息与图像自带属性信息、用户画像模型进行匹配，实现遥感数据的精准智能推荐。在真实订单数据上与较新的仅基于图像属性信息的推荐方法进行对比实验，实验结果表明，所提方法在实验数据上取得的正负样本区分度比考虑用户画像的推荐方法提高了70%；在耗时基本相近的情况下，在使用10%训练数据时，推荐错误率与对比方法相比下降了4.0~5.6个百分点，而在使用100%训练数据时推荐错误率则下降了0.6~1.0个百分点，验证了所提方法的可行性与有效性。

在无人机（UAV）集群攻击地面目标时，UAV集群将分为两个编队：主攻目标的打击型UAV集群和牵制敌方的辅助型UAV集群。当辅助型UAV集群选择激进进攻或保存实力这两种动作策略时，任务场景类似于公共物品博弈，此时合作者的收益小于背叛者。基于此，提出一种基于深度强化学习的UAV集群协同作战决策方法。首先，通过建立基于公共物品博弈的UAV集群作战模型，模拟智能化UAV集群在合作中个体与集体间的利益冲突问题；其次，利用多智能体深度确定性策略梯度（MADDPG）算法求解辅助UAV集群最合理的作战决策，从而以最小的损耗代价实现集群胜利。在不同数量UAV情况下进行训练并展开实验，实验结果表明，与IDQN（Independent Deep Q-Network）和ID3QN（Imitative Dueling Double Deep Q-Network）这两种算法的训练效果相比，所提算法的收敛性最好，且在4架辅助型UAV情况下胜率可达100%，在其他UAV数情况下也明显优于对比算法。