随着深空探测技术的发展，月球探测器获取了不同类型的海量遥感影像，这些影像为行星表面测绘、地质分析及资源勘探提供了重要支持。然而，由于月球表面环境的独特性，如极端的地形起伏、光照变化及缺乏显著纹理，月球遥感影像匹配面临着辐射差异、几何畸变和尺度变化等严峻挑战。本文综述了自实施月球探测任务以来，国内外关于月球影像匹配的研究进展。首先对月球探测任务和获取的影像数据进行了介绍，然后阐述了不同类型的月球影像匹配方法，具体包括：1）在月球影像特征匹配方法研究进展方面，梳理了轨道器影像匹配、巡视器影像匹配和月球多模态影像匹配的相关研究发展过程； 2）针对月球影像密集匹配方法研究进展，围绕基于金字塔的匹配和半全局匹配SGM（semi-global matching）算法等方面进行阐述；3）在月球影像深度学习匹配方法部分，剖析了基于深度学习的特征匹配和密集匹配代表性算法的核心思想，并总结分析了这些算法的参数量、推理速度及硬件需求等指标；4）通过实验对比了传统方法和深度学习方法的匹配性能。根据特征匹配实验结果，传统方法中HAPCG（histogram of absolute phase consistency gradients）精度表现总体最佳，深度学习方法中Alike（Accurate and Lightweight Keypoint Detection and Descriptor Extraction）的表现较为优秀。密集匹配方法中，SGBM（semi-global block matching）和DepthAnything均呈现出较好的性能。最后对月球遥感影像匹配的未来发展方向进行了展望和探讨。

目的近年来，大型视觉语言模型的进展给解决基于文本提示的目标计数问题带来了新的思路。然而，现有方法仍面临类别语义错位与解码器架构局限两大挑战。前者导致模型易将相似背景或无关类别误检为目标，后者依赖单一CNN（Convolutional Neural Networks）架构的局部特征提取，可能引发全局语义与局部细节的割裂，严重制约复杂场景下的计数鲁棒性。方法针对上述问题，提出跨分支协作对齐网络CANet（Cross-branch cooperative Alignment Network），其核心包括：（1）双分支解码器架构：通过并行Transformer分支（建模全局上下文依赖）与CNN分支（提取细粒度局部特征），结合信息互馈模块实现跨分支的特征交互和密度图预测；（2）视觉-文本类别对齐损失：通过约束图像与文本特征的跨模态对齐，迫使模型区分目标与干扰语义，实现对类别的准确检测。结果在5个基准数据集上与最新的4种基于文本的目标计数方法进行了比较实验。在FSC-147数据集上， CANet相较于性能第2的模型，在测试集上的MAE和RMSE分别降低了1.22和8.45；在CARPK和PUCPR+数据集的交叉验证实验上，相较于性能第2的模型，MAE分别降低了0.08和3.58；在SHA和SHB数据集的交叉验证实验上，相较于性能第2的模型，MAE分别降低了47.0和9.8。同时也在FSC-147数据集上进行了丰富的消融实验以验证算法的有效性，消融实验结果证明了提出的方法针对两个问题做出了有效改进。结论本文所提出的方法，能够解决现有方法所面临的两个问题，使计数结果更加准确。且本文的方法在4个数据集的交叉验证实验均取得了SOTA（state-of-the-art）的性能，证明了CANet在零样本目标计数任务中的强大泛化能力。

目的地月空间非合作目标因缺乏合作信号的高精度测量手段，同时深空探测地面测控资源有限，以及在地月空间多体摄动环境条件下运动轨迹复杂需考虑完备的动力学模型，其编目定轨精度与时效性受到一定的制约和独特的挑战。方法本文聚焦地月空间非合作目标的编目定轨，提出了基于天基光学观测技术的三体轨道约束条件下的空间目标编目定轨关键算法，以DRO（Distant Retrograde Orbit，远距逆行轨道）和NRHO（Near Rectilinear Halo Orbit，近直线晕轨道）组成的地月空间卫星星座，模拟天基平台与空间目标的光学观测数据，利用仿真数据，采取动力学统计定轨算法，探讨了不同平台轨道误差、不同平台数量和平台分布，以及不同观测数据条件下的DRO、NRHO目标的编目定轨精度。结果在天基平台轨道误差1km，光学成像观测2″测量噪声水平、光压10%模型误差的仿真条件下，2DRO与2NRHO地月空间导航星座对DRO目标单站定轨精度为1-7km，双站3天内每天观测3小时，定轨精度约1km，预报1天轨道精度优于1.3km；对于NRHO目标，单站观测3天定轨精度为1-3km，双站每天观测3小时、6小时以及连续协同观测定轨精度分别优于1.2km、1.1km和1.0km，这三种观测条件下预报1天轨道误差RMS（Root Mean Square，均方根）分别优于3.0km、2.5 km和1.9 km。结果表明，在天基测站误差1km和3天定轨弧长的条件下，双站观测精度较单站观测有显著提高，双站每天观测3小时，针对DRO和NRHO目标的定轨精度均优于1.2km，DRO轨道预报1天的精度较高优于1.3km，NRHO轨道预报1天在连续观测3天的条件下精度最高，优于1.9km。结论本文采用完备的三体动力学模型，通过对典型地月空间目标光学定轨的多种场景仿真，发现双站每天3小时观测的编目定轨能力优于单站每天连续观测的定轨精度。这一结论对地月空间编目定轨观测效率和观测体制的规划和布局，以及地月空间区域的态势感知能力论证和分析有重要的工程应用价值。

目的针对AIGC技术生成的高逼真伪造人脸视频对人类视觉感知的欺骗性问题，以及当前人脸防伪检测算法评估体系在中文数据层面有效性和应用性验证方面的空白，旨在构建面向中文场景的量化评估基准以推动防伪检测技术迭代发展。方法提出面向大规模中文人脸伪造视频的CHN-DF数据集，详细阐述数据采集、伪造样本生成及质量评估的全流程构建方法。通过多维度实验验证数据集复杂性，兼顾跨模态伪造技术覆盖、环境干扰因子完备性等复杂因素，并建立基于深度检测模型的系统性评测基准。结果发布全球首个包含434 727样本的中文人脸视频防伪数据集，实验显示出该数据集鉴别难度高，在16种包含SOTA与主流防伪模型的测评中视觉与视听结合的准确率分别被控制在85%与70%以下。构建的评测基准覆盖了视觉与听觉模态场景，在跨域泛化性测试中显示模型准确率性能波动平均幅度达19.6%，显著揭示现有算法的应用局限性。结论构建的中文防伪评测基准有效填补领域空白，通过系统性实验阐明数据集特性与算法性能的关联机制，提出针对模型鲁棒性增强、跨模态泛化能力提升等关键发展方向，为面向中文场景的量化评估以及人脸视频防伪技术的实际部署提供数据支撑与实践指导。CHN-DF数据集在线发布地址为：https：//github.com/HengruiLou/CHN-DF。

目的随着月球探索、深空探测任务的持续推进，地月空间物体的高稳健探测成为保障航天活动安全的核心需求。本研究旨在系统探索雷达对该类物体的探测机制与信息获取方法，重点解决其轨道动力学高度复杂导致的信号积累效率低与成像效果差等难题。方法首先通过对地月空间典型轨道的分析，揭示了不同轨道目标相对于雷达的径向距离与速度变化规律；其次针对目标姿态转动难以等效简化的关键问题，论述了融合轨道运动方程与电磁散射模型的必要性，阐明运动约束模型是实现复杂条件下雷达成像处理的理论基础；最后基于雷达探测月面目标的典型场景，对比月面不同区域的雷达成像结果，实证分析了轨道特性差异对径向观测量变化规律的影响机制，进一步阐明运动约束模型对成像性能提升的意义。结果不同轨道类型目标的径向运动特征存在显著差异，这直接决定了雷达信号处理策略的选择；姿态与轨道的强耦合效应使传统成像模型失效，基于精确运动约束的补偿算法可有效抑制成像散焦，月面成像实验进一步验证了考虑运动约束模型的重要性。结论发展基于不同轨道及姿态变化模型约束下的目标成像与智能认知方法，是实现地月空间物体高稳健探测的核心路径，对构建深空探测体系具有重要意义。

随着深空探测的不断推进，地月空间已成为探月和深空任务的关键战略区域。面对日益增多的航天器及太空碎片数量，亟需先进的空间态势感知技术以实现对地月空间目标的精准监测与持续跟踪。传统方法因复杂动力学环境和远距离探测精度限制，难以满足高精度轨迹预测和目标识别的需求，制约了地月空间感知技术进一步发展，人工智能技术的快速发展为解决这一瓶颈提供了新契机。本文系统梳理了人工智能技术在地月空间感知领域的应用进展，涵盖空间目标监视需求、传统机器学习在目标检测及轨道定轨中的应用，以及深度学习、强化学习等人工智能算法的初步应用。通过对国内外典型研究成果的对比分析，归纳了现有技术的优势和不足，提出了在算法优化、模型开发等方面的发展展望。分析表明，人工智能方法在提升暗弱目标检测精度、智能轨道确定及复杂态势感知方面表现出显著潜力，尽管面临数据匮乏和专用场景未知等挑战，人工智能技术已初步展现出构建全天候、高自适应性地月空间智能感知体系的能力。未来需加强人工智能与地月空间目标检测、轨道定轨与预报等传统技术结合，持续拓展人工智能在地月空间感知领域的应用，推动地月空间开发迈向智能化发展新阶段。