为解决水产养殖区遥感提取过程中近岸坑塘养殖目标和网箱养殖目标地物背景复杂，受房屋、植被、海水和船只等干扰提取精度较低等问题，提出了一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法SA-STN-Net,选取海南省文昌市八门湾和万宁市坡头港为研究区域，先利用光谱特征和纹理特征构建水产养殖目标先验知识，然后在U-Net模型基础上联合空间变换网络(spatial transformer network, STN)和置换注意力机制(shuffle attention, SA),用于增强养殖目标空间特征、减少复杂地物的干扰并聚焦近岸水产养殖区域。结果表明：与原始U-Net模型相比，SA-STN-Net模型的总体提取精度和平均交并比提高了3.3%和5.7%;与当前较为先进的A2fpn、Swin-Transformer和Dc-Swin等深度学习分割算法相比，SA-STN-Net模型具有更好的分割性能，F1分数分别提高了6.7%、4.2%和7.2%。研究表明，本文提出的SA-STN-Net模型能适应近岸水产养殖目标地物背景复杂的情况，可对近岸养殖目标进行有效提取，本研究结果可为近岸规划与管理部门提供技术支持。

为了解决传统的微藻检测方法依赖于复杂的设备和大量的人工操作，不仅耗时长且检测结果易受检测人员技术经验影响等问题，结合微藻显微图像特征，采用K-means++算法聚类锚框，并基于YOLO v7模型，提出一种轻量级实时检测微藻的方法YOLO v7-MA。该方法将GhostNet引入YOLO v7模型中作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度，并在特征融合网络中加入CBAM注意力模块，以提高网络的特征表达能力。结果表明：在14种微藻数据集上的试验显示，本研究中提出的YOLO v7-MA模型的平均精度均值为98.56%,召回率为96.88%,F1值为97.42%,参数量为22.64×10～6,浮点运算次数(FLOPs)为38.45×10～9;相较于YOLO v7模型，YOLO v7-MA模型平均精度均值提高了0.95%,召回率和F1值分别提高了1.15%、0.23%,参数量和FLOPs分别降低了14.63%和66.55%;相较于FasterRCNN-VGG16、FasterRCNN-Resnet50、YOLO v4、YOLO v4-Mobilenet v3、YOLO v4-VGG16、YOLO v4-Resnet50和YOLO v5s等模型，YOLO v7-MA模型的平均精度均值也均有提高，参数量均有减少。研究表明，YOLO v7-MA模型能够为微藻的识别分类提供一种轻量化的实时高效检测方法，大大降低了检测人员的工作量。

本文提出一种STN联合智慧芽、专利数据库以及超星读秀的多数据库联合、多手段联合的检索方式，在合金领域能够高效的获取相关现有技术，助力站位本领域。