遥感图像配准作为遥感图像处理中的基础性与关键性任务，始终是国内外学者的研究热点，具有重要的理论意义与应用价值。然而，遥感图像常面临显著几何畸变、非线性辐射差异、复杂地物遮挡及噪声干扰等挑战，制约了其高精度鲁棒配准的实现。本文系统梳理了遥感图像配准算法：首先，概述配准的基本概念与技术框架；其次，将现有方法划分为两类进行归纳梳理——基于知识驱动专家设计的方法与基于数据驱动深度学习的方法。前者依托手工设计特征及变换模型，通过显式特征提取与迭代优化实现传统场景下的可解释性配准，典型代表为尺度不变特征变换及其改进算法；后者利用深度学习网络自动学习图像对间的特征或映射关系，提取高级特征用于配准或端到端预测变换模型，有效应对显著几何畸变、非线性辐射差异等复杂场景，典型方法包括基于卷积神经网络的特征匹配网络及其改进网络。最后，总结现有方法的局限性，并展望遥感图像配准领域的未来发展趋势与面临的关键挑战。

目的合成孔径雷达（Synthetic Aperture Radar，SAR）至光学图像（SAR-to-Optical，S2O）翻译是实现全天候对地观测的关键技术。现有方法面临两大瓶颈：一是未能有效解耦SAR乘性相干斑噪声与地物信号，导致跨模态特征融合与表达能力不足；二是主流扩散生成模型计算代价高昂，难以满足在资源受限遥感平台下的实时处理需求。针对上述问题，本文提出一种空频强稀疏引导的扩散模型（Spatial-Frequency Strongly-Sparse Guided Diffusion Model，SFSG-Diff），旨在实现更稳健高效的S2O转换。方法设计多尺度空频去噪编码（Multi-scale Spatial-Frequency Denoising Encoder，MDE），利用空频域特征互补性显式分离噪声与有效信号，抑制噪声并增强地物结构表达；提出轻量化的强稀疏语义融合（Strong-Sparse Semantic Fusion，SIF），仅对部分特征流高效融合，以低计算代价实现多尺度特征精准引导；采用两阶段训练策略，融合感知、聚焦频率与对抗损失联合优化。结果在SEN1-2，QXS-SAROPT和WHU-OPT-SAR三个数据集上的实验表明，本方法在峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构相似度（Structural Similarity Index，SSIM）、学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）和弗雷歇初始距离（Fréchet Inception Distance，FID）上均取得最优的结果，其中在SEN1-2数据集上与次优结果相比PSNR与SSIM分别提升0.77dB与17.8%，LPIPS与FID分别降低8.0%和17.6%。模型参数量少、计算复杂度低，单次推理仅需0.21秒，较同类扩散模型最优结果提速约69.1%，效率接近传统生成对抗网络。结论SFSG-Diff可有效抑制SAR斑点噪声，实现跨模态高质量图像生成，兼顾性能与计算效率，适用于计算资源受限的遥感平台，为实时SAR图像处理提供可行方案。

目的针对视觉显著性预测中长程建模开销较大、复杂背景响应易随全局传播扩散以及解码上采样导致注视热点不够集中的问题，提出一种不确定性门控Mamba建模增强与动态频域调制相结合的显著性预测网络（Spatio-Spectral Uncertainty-Gated Mamba Network ，S²UG-Mamba）。方法在编码端，设计不确定性感知状态空间增强模块（Uncertainty-Aware State Space Enhancement Module，UA-SSM），通过双向蛇形交叉扫描Mamba建模捕获长程上下文信息，并结合空间与通道方差统计进行不确定性估计，生成置信度门控，以抑制不可靠区域响应。在解码端，针对连续上采样引起的预测响应扩散问题，提出语义引导的动态频域调制模块（Semantic-Guided Dynamic Frequency Modulation Module，SDFM），利用深层语义先验对频域调制过程进行动态引导，从而提升注视热点区域的响应集中性。结果在SALICON、MIT300等5个公开数据集上的实验结果表明，所提S²UG-Mamba在多个主流评价指标上均优于现有先进方法。与GSGNet相比，S²UG-Mamba在LSUN'17竞赛上将KL由0.190降低至0.176，降低7.4%，IG达到0.943，提升4.0%；在MIT300盲测中，CC相对提升2.2%，KL降低9.8%；在MIT1003零样本测试中，NSS、CC和SIM分别提升2.2%、2.0%和5.6%，KL降低5.1%。结论所提方法实现了长程上下文建模、背景噪声抑制和显著结构恢复的协同优化，在保持较高计算效率的同时提升了复杂自然场景下显著性预测的分布一致性、跨域泛化能力和鲁棒性。

目的视频异常检测作为视频监控系统的核心任务之一，在公共安全与智能监控等领域具有重要应用价值。同时在无人机航拍场景下，由于视角变化剧烈、目标尺度不稳定以及背景复杂多变，使得异常检测任务更加具有挑战性。现有方法大多仅侧重于静态外观特征建模，忽视了动态运动信息所蕴含的关键时序特征，同时普遍依赖生成模型进行重建或预测，容易出现“过度泛化”问题，从而削弱对异常事件的判别能力。针对上述问题，提出一种融合双流网络和记忆增强的空地视频异常检测方法。方法首先，通过双编码器架构分别提取视频序列的外观特征和运动特征，将同一尺度的两类特征进行融合。其次，将高维融合特征送入具有更新策略的记忆增强模块中，学习多样化的正常特征。最后，采用跳跃连接机制把多尺度融合特征和记忆增强后的特征送入具有注意力的解码器中预测未来帧。结果在UCSD Ped2、CUHK Avenue和ShanghaiTech三个地面基准数据集上，所提方法的AUC分别达到98.8%、89.1%和74.7%；同时，在Drone-Anomaly无人机航拍数据集的多个子场景中均取得优异性能，尤其在Railway Inspection和Farmland Inspection场景中分别达到94.76%和91.41%，优于多种对比方法。结论本文方法通过协同建模外观与运动信息，并结合记忆增强机制，有效缓解了过度泛化问题，提升了模型对复杂动态场景中异常事件的判别能力，在地面监控与无人机航拍场景下均表现出良好的鲁棒性与泛化性能。

航空遥感目标检测在国土资源调查、灾害监测、交通监管和军事侦察等领域具有重要应用价值。然而，真实航空遥感场景中常同时存在目标域标注样本稀缺和源域与目标域分布差异显著的问题，导致传统依赖大规模同分布标注数据的检测方法难以获得稳定性能。跨域少样本目标检测（cross-domain few-shot object detection，CD-FSOD）期望在目标域仅有少量标注样本且存在明显域偏移的条件下实现对目标域目标的有效分类与定位，已成为航空遥感智能解译中的重要研究方向。本文围绕航空遥感场景下的CD-FSOD问题，梳理其基本定义、任务边界及其与少样本目标检测、跨域目标检测和遥感目标检测等相关任务的区别，并分析航空遥感场景中由成像平台、传感器类型、空间分辨率、地理区域、环境条件及目标分布差异所引起的复杂域偏移表现。在此基础上，本文对现有代表性方法进行分类综述，重点总结基于迁移与域对齐、基于元学习与度量学习、基于生成式数据增强与扩充、基于视觉语言对齐以及基于大模型的方法特点与研究进展。同时，本文归纳相关数据集、任务设置、常用评测指标及航空遥感目标检测的特殊性，并进一步讨论复杂域偏移统一建模、少样本条件下检测稳定性、数据集与真实应用脱节、多源异构数据适配以及大模型迁移等方面的主要问题与发展趋势。本文同步汇总代表性算法在航空遥感跨域少样本情境下的性能表现，并给出所涉及数据集、算法的开放资源访问链接：https：//github.com/Farenweh/CD-FSOD-Links（Github）或https：//gitee.com/cby1241385936/cd-fsod-links（Gitee）。总体来看，CD-FSOD正由单一迁移或少样本学习策略，逐步发展为融合域适应、特征增强、语义建模和基础模型迁移的综合性研究方向。随着遥感专用数据资源的丰富和多模态基础模型的发展，该方向有望为航空遥感智能感知提供更高效、更稳健的技术支撑。

随着无人机与机载遥感技术的快速发展，航空光谱成像在农业、环境监测及军事侦察等领域发挥着越来越重要的作用。相比卫星遥感，航空平台具有更高空间分辨率、更强机动性和更短重访周期，使其成为精细化观测的重要手段。然而，航空光谱数据具有高维、强相关、噪声复杂等特点，传统处理方法难以充分挖掘其潜在信息。本文系统梳理了航空光谱图像智能处理技术的发展脉络，重点分析深度学习与机器学习方法，涵盖光谱-空间特征提取、分类、分割、目标检测、变化检测及光谱解混等关键技术；总结多光谱与高光谱协同处理在精准农业、环境灾害监测、军事侦察、地质勘探等场景的应用进展；深入剖析当前面临的数据稀缺与标注困难、模型泛化能力不足、实时处理约束、鲁棒性欠缺及空天地协同困难等核心挑战；围绕遥感基础模型、自监督学习、边缘智能、物理信息驱动模型、空天地一体化协同等方向展望未来趋势。本文可为航空光谱图像智能处理领域的研究与工程应用提供系统性的参考与理论指导。本文提及的数据集已汇总至https：//github.com/zhaoxb2025/Airb-spe-Img。