近年来,随着我国遥感技术的快速发展,遥感数据呈现出大数据的特点,遥感数据的时效性增强,多源遥感算法日益增多,算法程序的运行和部署环境多样,传统的方法进行开发集成时,由于不同的算法程序可能是不同的人员编写的,开发语言和环境多种多样,配置复杂,很难进行有效的集成,如果统一改成特定语言环境,影响集成效率。在系统部署时,会耗费过多的资源。难以进行高效的快速集成和部署,不利于遥感数据的快速行业应用。已有的遥感图像处理软件如ENVI等,二次开发环境单一,遥感云服务平台如Google Earth Engine提供在线定制化遥感信息产品生产服务,但仍需要个体去学习使用这些API来编写自己的算法脚本以使用这些云计算平台,不能满足算法程序无需改变即插即用的需求。因此,针对上述问题和需求,本文提出并实现了一套基于Docker容器技术的面向遥感信息产品生产的算法程序集成方案。支持不同的编程语言和运行环境差异、支持不同生产流程的编排、支持数据分布式存储及分布式高效计算。该系统设计主要包括镜像的自动化封装,镜像的持续集成,容器的编排和调度,容器的集群运行四个方面。主要流程包括:首先将遥感算法程序及其依赖环境编写为Dockerfile文件,然后将程序代码或可执行程序和Dockerfile文件上传到Gitlab进行代码托管,利用Jenkins的Pipeline工作流插件进行镜像的持续化构建,之后将镜像上传到镜像仓库。根据遥感信息产品生产流程,设计实现了一个基于JAVA开发环境的调度引擎平台,实现不同生产流程的容器编排。最后创建了一个Swarm容器集群环境和GlusterFS分布式文件系统,作为容器运行环境和集群中遥感数据的存储与管理环境。本文以Landsat数据的典型遥感指数产品生产、高分一号影像数据的RPC校正为例进行系统的验证分析。对指数产品生产在容器环境下和物理机环境下在运行时间、内存占用量、部署效率等性能上进行了对比,结果表明Docker虚拟化环境下的产品生产和物理机环境下运算性能几无差别,在部署上能够节省大量时间。本文进行上述研究的意义在于:将不同开发语言环境下的遥感算法程序进行镜像封装,不需要考虑各个算法程序的环境差异,对于遥感算法研究人员来说,有利于遥感算法程序的复用和流程的共享。对于遥感算法程序的使用者来说,在部署时,只需要考虑容器环境的安装,能够实现程序的一键部署。利用容器集群进行遥感信息产品生产,相比于虚拟机能够节省物理资源,提高处理效率。