卫星平台的颤振又称为微振动、震颤等，指的是卫星在轨运行期间，由于卫星平台的姿态调整、星上运动部件的周期性运动等引起的一种幅值较小、频率较高的微振动响应。卫星平台的颤振是一种在轨姿态控制系统难以检测和消除的平台高频率低振幅抖动。在推扫式遥感光学载荷在成像过程中，卫星平台控制系统的误差，飞轮，CMG等运动部件的瞬态运动，或者太阳能帆板等柔性部件的变形均会引起在轨平台的姿态颤振，从而影响到光学遥感图像的成像质量。本文对卫星平台的姿态颤振引起的推扫式遥感图像畸变进行研究，主要完成以下内容：
　　针对推扫式卫星遥感的特点，采用深度学习理论对遥感图像进行云层检测。给出了深度学习算法的理论基础，介绍了深度学习在图像分割任务中的基本原则，设计了基于轻量级U-net的遥感图像云层检测算法。针对在轨卫星平台算力不足的特点，引入了离散小波算法和云层检测算法相结合的轻量级云检测模型，实现了在轨遥感图像的云层检测，对图像云量进行定量测量，并对后续图像畸变检测任务的样本进行筛选。
　　考虑到多光谱推扫式遥感相机不同光谱段间的成像视差，对多光谱图像的畸变进行数学建模和分析，然后根据图像配准算法对相邻光谱段的图像进行配准，获取图像间的像素偏移。针对现有配准算法的不足，提出了改进的L-K算法获取高精度像素偏移。引入在轨相机运动模型，得到本体坐标系下的相对姿态颤振。提出了基于时频域结合的反卷积算法，将相对颤振转换为时间坐标系下的绝对姿态颤振。引入姿态平滑正则项，得到反卷积算法的稳定解。引入基于多项式优化算法的初始段匹配，减小反卷积算法参数量同时提高算法效率。
　　为了对单波段遥感图像畸变进行估计，提出了改进的卷积神经网络算法对畸变图像进行恢复，同时检测出颤振曲线。为训练模型参数，首先根据畸变的物理原理利用多谐波正弦曲线拟合畸变曲线，通过图像插值算法得到畸变-清晰图像对。利用离散卷积层的学习能力，搭建多层卷积神经网络。引入余量卷积层拟合畸变-清晰图像对的特征差异。同时给出扩展的Sigmoid激活函数增加网络的非线性拟合能力。针对网络参数的训练，设计多项融合损失函数，并利用自训练超参数调节各项损失权重，使网络训练过程更快收敛。同时使用在线图像增强算法避免训练过程中的模型过拟合。提出基于梯度惩罚项的对抗神经网络作为损失函数，引导网络更高效地优化。仿真分析和对比实验证明所提出的损失函数能有效校正畸变图像，并能检测出图像畸变曲线。
　　针对恢复后的畸变图像，引入图像索引算法和图像分割算法，对图像畸变-恢复图像对进行测试，实验结果验证了校正后的畸变图像在图像检测等任务中的精度提升。针对多光谱图像和单波段遥感图像得到的畸变信息，提出一种卡尔曼滤波算法，对多源畸变信息进行融合，进一步提高颤振信息的估计精度及图像恢复质量。针对极端特征下颤振估计算法误差较大的问题，引入一种基于全连接神经网络的模糊星点颤振估计算法，改善颤振估计和畸变图像复原的鲁棒性。