水是生命之源与发展之基。由于一些大规模的蓝藻水华爆发现象,导致生活用水严重短缺与河湖中的生物死亡,影响到人类的身体健康与生态的平衡发展。传统监测蓝藻水华爆发情况方式主要采用人工巡河,巡查难度高且工作量大,急需借助利用科技手段与机器视觉方法进行河湖中蓝藻水华的检测。另外,蓝藻水华不同于其他检测地物,不仅具备特殊的光谱特性,而且在不同自然条件、河湖表面形态结构、河面干扰等影响条件下,使用现有的方法检测仍存在很多问题。有鉴于此,本文针对城市内陆河湖爆发的蓝藻水华现象,利用实时性强且分辨率高的无人机多光谱图像进行检测。开展了基于多光谱的河湖蓝藻水华检测方法研究。论文的主要工作和创新点如下:（1）针对非藻华类地物对蓝藻水华检测的干扰问题进行研究,提出了一种基于多光谱的改进归一化植被指数。首先采用了自适应中值滤波与光照掩膜的方法对多光谱图像进行预处理,使得在保留图像原始光谱信息含量情况下去除噪点;在归一化植被指数基础上改进波段组合,并基于此进行细节增强处理。经实验验证,相对于传统的植被指数法,解决了船只、河面垃圾、水面浮萍等非蓝藻水华类干扰对检测的影响,并一定程度提高了蓝藻水华检测准确率,为后续蓝藻水华的检测提供重要基础。（2）针对强光与倒影阴影的复杂场景下蓝藻水华检测算法误检测较高的问题,提出了一种基于Transformer深度学习检测算法。通过将改进的植被指数提取得到对应的光谱特征作为模型的输入,使用基于编码器-解码器结构与自注意力机制的网络模型,可动态调整在复杂场景下提取光谱特征的权重,在此类区域投入更多注意力并获取更多蓝藻水华的细节信息。另外,通过将原始图像转化成序列并结合位置与图像块编码,重新设计网络模型,增强了图像上下文信息理解能力。相比于单独使用传统的多光谱植被指数检测方法,将蓝藻水华在强光与倒影阴影复杂场景下检测的准确率分别提升了46.5%与50.9%。（3）针对复杂场景蓝藻水华检测时容易产生的不同检测类别边界区域像素点检测错误的问题,提出了一种基于特征增强与像素相似度区域校正的改进Transformer的蓝藻水华检测算法。由于蓝藻水华在河湖中多呈不规则形状,较容易出现与其他类别混合在一起,边界区域出现像素点检测错误与漏检测的问题。通过在Transformer深度学习方法上做出改进,通过获取图像的多尺度特征映射,在复杂场景下充分学习图像特征信息,帮助校正相邻像素点的语义信息,从而找出精确的物体位置信息实现分割效果。经实验验证,改进后方法在强光与倒影阴影场景中对蓝藻水华的检测精度分别提高了5.3%与3.1%。（4）针对课题的工程应用需求,开展了蓝藻水华的面积统计与污染等级判断并进行了系统的设计与实现。通过使用改进后的Transformer检测算法对图像中蓝藻水华进行提取并且统计其占水体的面积比例,有效实现了对蓝藻水华的准确检测与污染等级综合判断。通过实验对比,验证了改进后的算法在复杂场景下相比于传统像元法对蓝藻水华面积统计与污染等级的判断更加准确;基于实际工程应用场景,设计并搭建了一套基于多光谱图像的蓝藻水华检测系统。系统主要由监测平台与算法模块组成,在云端进行数据传输并运行本文的检测算法,实现了对河湖多光谱图像数据的处理与结果的可视化等功能。综上所述,本文针对在复杂的河湖环境中进行蓝藻水华检测的难点,基于多光谱遥感图像进行了蓝藻水华检测的研究,并基于此进行了蓝藻水华面积统计、污染等级判断与设计与实现了一套河湖蓝藻水华检测系统。本文首次将Transformer深度学习方法应用至多光谱蓝藻水华检测任务中,研究成果将为图像视觉技术在复杂场景下类似领域检测任务中的应用研究具有一定的借鉴意义。