黄海绿潮灾害是近十年来出现的海洋生态灾害,严重影响了黄海沿岸旅游业、养殖和运输业的发展。遥感数据是绿潮监测和绿潮漂移预测重要技术支撑,对绿潮灾害的业务化监测具有十分重要的意义。针对上述问题,本文以卷积神经网络(Convolutional Neural Network,CNN)为基础,并结合了混合线性分解和CFAR算法,最终实现了高分四号(GF-4)卫星影像绿潮精准提取算法;通过对绿潮数据的处理和生成式对抗网络(Generative Adversarial Network,GAN)模型的应用,完成了绿潮漂移预测算法研究。主要研究内容分为以下三个部分:一、研究了基于CNN的GF-4卫星影像分类算法。高分四号卫星(GF-4)是对地静止卫星,能够为绿潮监测提供全天候、高时空分辨率的影像,因此本文主要针对GF-4影像进行绿潮提取研究;通过分析常用植被指数模型的特点,从中选出了最适合绿潮提取研究的NDVI植被指数模型,并对GF-4绿潮影像进行NDVI指数计算;研究了 CNN模型的基本原理,根据绿潮数据的特点设定了相应的卷积核参数,完成了应用于绿潮提取的CNN模型训练;以训练完成的CNN模型对NDVI绿潮影像进行了海水、绿潮和混合三种类型的分类。二、针对CNN分类结果中的混合类型实施像元线性分解提取,以提高绿潮提取精度。以像元线性分解模型与NDVI植被指数计算公式为基础,推导出混合中绿潮占比与NDVI植被指数的函数关系式。利用函数关系式分解混合,然后将分解结果与同时区GF-1绿潮影像提取结果作对比统计分析,建立二者之间的线性关系模型;通过CFAR算法对像元线性分解结果进行合并分类,继而完成整幅GF-4影像的绿潮精准提取。以GF-1绿潮提取结果为标准,对比本文算法结果与传统阈值方法提取结果,对比结果表明本文算法精度提高了1倍左右。三、基于生成式对抗网络(Generative Adversarial Network,GAN)预测了未来时刻的绿潮漂移图像。针对GAN需要大数据量训练样本的要求,对绿潮数据进行了处理;以GAN模型原理为基础,根据绿潮图像具有时间序列的特点,引入多尺度卷积网络作为GAN模型的生成与判别模型,并添加了图像梯度差损失函数以提高模型训练的稳定性;设置参数训练本文GAN模型,使用训练完成的模型对绿潮进行漂移预测,结果表明本文GAN模型预测生成的图像与原图像的形状和漂移趋势基本一致,且训练完成的GAN模型生成预测样本的速度远高于目前常用的数值模拟运算,有效提高了漂移预测运算速率。