随着工业化和城市化进程加快,化工、火电等企业在生产过程中会释放多种有害气体,造成人民生命财产损失和破坏生态环境,因此急需利用遥感和地面辅助探测技术获取的多源影像实现对有害气体释放源位置及有害气体全方位的监测。本文重点研究了基于深度学习的多源影像释放源定位和有害气体检测方法。主要的研究内容和取得的成果如下。(1)针对训练样本不足导致的现存有害气体释放源定位方法精度低的问题,研究并实现了一种基于关系度量的遥感影像有害气体释放源定位方法。首先,利用卷积神经网络分别提取小样本支持集和测试集图像的不同尺度特征信息,将低层特征和高层特征进行融合并送入区域建议网络生成候选框;然后,将不同维度的候选框特征进行感兴趣区域池化操作,生成固定维度大小的特征图;最后,将特征信息分别送入关系单元和边框回归,关系单元根据测试图像和支持集图像的相似度得分预测目标类别,边界框回归对候选框进行精细位置修正。通过多组实验,并与其他方法相比,本文方法在小样本有害气体释放源数据集下的定位精度更高。(2)针对当前红外图像气体检测方法对变化迅速的气体检测效果差的问题,研究并实现了一种基于可变形卷积的全卷积网络红外图像气体检测方法。首先,将可变形卷积操作加入全卷积神经网络的标准卷积中;其次,在公开红外数据集上进行网络预训练;最后,将预训练网络在小样本气体红外数据集上进行微调训练,提高网络对气体检测能力。通过对实际拍摄的多组红外数据进行测试,发现本文所研究方法的检测效果优于其他两种经典方法。(3)针对有害气体感知技术处理方法计算资源利用不充分和运行环境难统一的问题,设计并搭建了基于私有云架构的有害气体感知平台。该平台搭建了基于容器技术的多节点分布式集群,创建了有害气体感知技术相关镜像,实现了容器应用的快速部署,为高速实时的有害气体感知技术的运行提供了良好服务器环境。