针对现有跨视角地理定位方法中视点不变特征与视角转换方法割裂导致的性能提升瓶颈问题，提出多任务联合学习模型（MJLM）。MJLM由前置图像生成模型和后置图像检索模型组成。前置生成模型首先使用逆透视映射（IPM）进行坐标变换，显式地弥合空间域差，使投影图像与真实卫星图的空间几何特征大致相同；然后通过提出的跨视角生成对抗网络（CVGAN）隐式地对图像内容及纹理进行细粒度的匹配和修复，并合成出更平滑且真实的卫星图像。后置检索模型由多视角多监督网络（MMNet）构成，能够兼顾多尺度特征和多监督学习的图像检索任务。在University-1652（无人机定位数据集）上进行实验，结果显示MJLM对无人机（UAV）定位任务的平均精确率（AP）及召回率（R@1）分别达到89.22%和87.54%，与LPN （Local Pattern Network）和MSBA （MultiScale Block Attention）相比，MJLM在R@1上分别提升了15.29%和1.07%。可见，MJLM能在一个聚合框架体系内联合处理跨视角图像生成任务及检索任务，实现基于视角转换与视点不变特征方法的融合，有效提升跨视角地理定位的精度和鲁棒性，验证UAV定位的可行性。

针对现有跨视角图像匹配算法精度低的问题，提出了一种基于多视角多监督网络（MMNet）的无人机（UAV）定位方法。首先，所提方法融合卫星视角和UAV视角，在统一的网络架构下学习全局和局部特征并以多监督方式训练分类网络并执行度量任务。具体来说，MMNet主要采用了重加权正则化三元组损失（RRT）学习全局特征，该损失利用重加权和距离正则化加权策略来解决多视角样本不平衡以及特征空间结构紊乱的问题。同时，为了关注目标地点中心建筑的上下文信息，MMNet对特征图进行方形环切割来获取局部特征。然后，分别用交叉熵损失和RRT执行分类和度量任务。最终，使用加权策略聚合全局和局部特征来表征目标地点图像。通过在当前流行的UAV数据集University-1652上进行实验，可知MMNet在UAV定位任务的召回率Recall@1 （R@1）及平均精准率（AP）上分别达到83.97%和86.96%。实验结果表明，相较于LCM、SFPN等方法，MMNet显著提升了跨视角图像的匹配精度，进而增强了UAV图像定位的实用性。

近年来，显著性目标检测受到工业界和学术界的大量关注，成为了计算机视觉领域中一项重要的基础研究，该问题的解决有助于各类视觉任务取得突破性进展。尽管针对可见光场景的显著性检测工作已经取得了有效成果，但如何在信噪比偏低、可用有效信息匮乏的弱光图像中提取边界清晰、内部结构准确的显著性目标，仍然是具有挑战性的难题。针对弱光场景下显著性目标检测存在边界模糊、结构不完整等造成准确率较低的问题，提出基于蚁群优化（ACO）算法的显著性检测模型。首先，通过多尺度超像素分割将输入图像转换为具有不同节点的无向图；其次，基于最优特征选择策略来更充分地获取低对比度弱光图像中所包含的更多显著目标的特征信息，并摒弃冗余的噪声信息；然后，引入空间对比度策略用于探索弱光图像中具有相对较高对比度的全局显著性线索。而为了在低信噪比情况下也能获取准确的显著性估计，利用ACO算法对显著图进行优化。通过在3个公共数据集（MSRA、CSSD和PASCAL-S）以及夜间弱光图像（NI）数据集上进行实验，可以看出，所提模型在3个公共数据集上的曲线下面积（AUC）值分别达到了87.47%、84.27%和81.58%，在NI数据集上的AUC值比排名第2的低秩矩阵恢复（LR）模型提高了2.17个百分点。实验结果表明，相较于11种主流的显著性检测模型，所提模型具有结构更准确且边界更清晰的检测效果，有效抑制了弱光场景对显著性目标检测性能的干扰。

针对卷积神经网络（CNN）平等地对待输入图像中潜在的对象信息和背景信息，而遥感图像场景又存在许多小对象和背景复杂的问题，提出一种基于注意力机制和多尺度特征变换的尺度注意力网络模型。首先，开发一个快速有效的注意力模块，基于最优特征选择生成注意力图；然后，在ResNet50网络结构的基础上嵌入注意力图，增加多尺度特征融合层，并重新设计全连接层，构成尺度注意力网络；其次，利用预训练模型初始化尺度注意力网络，并使用训练集对模型进行微调；最后，利用微调后的尺度注意力网络对测试集进行分类预测。该方法在实验数据集AID上的分类准确率达到95.72%，与ArcNet方法相比分类准确率提高了2.62个百分点；在实验数据集NWPU-RESISC上分类准确率达到92.25%，与IORN方法相比分类准确率提高了0.95个百分点。实验结果表明，所提方法能够有效提高遥感图像场景分类准确率。