火电厂的发电过程常常伴随大量煤炭的燃烧,产生各种有害化合物和烟尘等物质,严重损害了公共生态环境,因此利用可见光遥感影像检测范围广的优势对火电厂目标进行识别,利用红外遥感影像高效率、远距离、动态直观等优势对火电厂释放的烟尘和有害化合物等形变目标进行分割为环境监测提供技术支持。本文重点研究了基于遥感影像的火电厂识别关键技术,实现了对火电厂目标的识别和形变目标的分割。主要研究内容和取得的成果如下。(1)针对当前深度学习对基于遥感影像的固定建筑物检测识别精度低的问题,研究并实现了一种基于图卷积网络的多标签火电厂识别方法。首先,使用卷积神经网络作为基础模型学习图像特征;其次,利用多标签图卷积网络的相关矩阵挖掘图像标签间的共现模式,对标签相关性依赖关系进行建模;然后,利用图卷积网络在对象标签上构建有向图,学习相互依赖的对象分类器;最后,将对象分类器应用于卷积神经网络提取的图像描述,利用传统的多标签分类损失对整个网络进行训练,得到图像的多标签预测。通过多组实验发现本文方法能通过多标签组合实现对火电厂目标的识别。(2)针对现有红外图像气体检测方法对形变目标难以准确确定气体范围的问题,研究并实现了一种基于掩码评分实例分割网络的形变目标分割方法。首先,设计了一种新的掩码评分机制,采用预测掩码和匹配的真实掩码之间的像素交叠率作为掩码分数;其次,在基于掩码区域的卷积神经网络上添加一个像素级重叠率预测分支,并重新进行掩码分数的计算;最后,在构建的气体数据集上对网络进行端到端训练,提高气体目标实例掩码的质量和完整性。通过对多组红外长波气体数据进行测试,发现本文所提方法的分割效果优于其他经典算法。(3)针对现有深度学习训练需要海量数据导致计算资源利用不充分,信息处理效率低下等问题,设计并实现了一种基于云计算的信息处理分析框架来完成火电厂目标识别和形变目标分割任务。该框架以Docker容器为单位运算平台,以Kubernetes容器编排技术作为管理容器的平台,搭建了基于容器集群系统的火电厂识别关键技术研究的私有云计算平台,以容器化的形式让管理员管理集群资源,用户在容器内将配置好的环境、火电厂多标签识别和形变目标分割算法提交为镜像,充分利用GPU集群资源,实现对火电厂目标的识别和形变目标的分割。