多源卫星信息在轨融合处理分析与展望

何 友，姚力波，李 刚，刘 瑜, 杨 冬，李文峰

(1. 海军航空大学信息融合研究所，烟台 264001；2. 清华大学电子工程系,北京 100084；3. 北京空间飞行器总体设计部，北京 100094；4. 上海卫星工程研究所，上海 201109)

0 引 言

现代卫星对地观测技术发展迅速。一方面是单星的性能指标和数据质量得到大幅提升，具有更高的空间、辐射和光谱分辨率，更大的幅宽和更多的工作模式等特点；另一方面综合型卫星和卫星组网技术取得了突破进展，逐步形成了单星多载荷协同和多星组网协同对地观测能力，缩短了重复观测的时间间隔。信息融合能够有效降低多源卫星数据之间的冲突信息，充分利用互补信息，实现多源卫星信息的综合印证和协同推理[1]。

卫星对地观测数据量呈现爆炸式增长，实时数据获取速率已经高达数Gbps，目前，星地数据传输速率仅为几百Mbps，两者之间存在着很大差距，并且呈现扩大的趋势。传统的卫星对地观测采用地面规划与处理模式，一是任务在地面进行规划，二是数据在地面进行处理，并且通过地面网络发送给用户，导致传输节点多、时延长。因此，一方面信息不能快速传输给终端用户，对于应急救援等紧急任务和时敏目标监视等实时任务响应不及时；另一方面多源卫星观测信息也得不到快速融合处理，对于中远海监视、导弹预警等大范围广域探测任务的连续接力观测能力较弱。

随着星上处理、存储硬件设备和嵌入式实时操作系统的发展，卫星的在轨数据处理能力得到了很大提升，光通信、中继卫星等技术的发展，使得卫星数据能够高速在卫星之间传输。同时，研究人员相继提出天基互联网[2]、空间信息网络[3]、天地一体化信息网络[4-9]等概念，并开展关键技术研究，规划建设融合空间探测、通信和计算三类资源为一体的在轨动态实时分布式网络，实现多源卫星和多类传感器信息在轨协同智能感知与融合。

本文在分析国内外卫星数据在轨处理发展研究现状的基础上，对多源卫星信息在轨融合处理涉及到的相关问题展开了总结、研究和讨论。

1 卫星信息在轨处理概述

1.1 国内外发展现状

目前世界各空间强国都非常重视对星上处理系统和设备的研发，光学遥感卫星已经实现了数据压缩、辐射校正、云判、目标检测和变化监测等功能的在轨处理，合成孔径雷达(Synthetic aperture radar,SAR)遥感卫星实现了回波原始数据在轨压缩处理，正在开展在轨实时成像处理算法和硬件设备的研究。同时，已经发射了敏捷卫星、软件定义卫星和智能卫星等新型卫星，推动了多源卫星信息的在轨融合处理研究。

美国系统开展了卫星探测数据星上处理的硬件、软件、算法和星上自主探测任务规划等方面研究，并且已经在多颗卫星上开展了在轨数据处理的试验。例如NEMO(Naval earth map observer)卫星上搭载的ORASIS(Optical real-time adaptive signa-ture identification system)系统[10]能提供星上超光谱图像自动数据分析、特征提取和数据压缩等功能，并实时将处理结果从卫星直接发送至战场，硬件处理器为IOBP(Image on-board processor)。ORS(Operatio-nally responsive space)项目卫星能够在轨分析卫星采集的图像数据和信号数据，准实时地向士兵快速提供目标信息、战备及战场毁伤评估信息，同时该项目还开展了卫星之间如何相互引导实现目标成像的研究[11]。EO-1(Earth observation one mission)卫星能够在轨完成高光谱图像感兴趣区域自动识别、区域变化检测、云判及无效数据剔除，将数据下传耗时由原来的几个小时缩短到30 min以内[12]。MightySat卫星实现在轨感兴趣区域识别[13]，验证空间技术支持战场应用。美国DARPA(Defense advanced research projects agency)正在实施的Blackjack小卫星星座具有高度的自主性和网络弹性，采用自主分布式决策处理器，有效载荷能够自主运行，卫星的数据处理将在轨完成，无需地面数据处理的支持，能够在轨自主执行共同任务，可以在无运营中心管理的情况下独立运行30天，支持指挥控制、情报监视与侦察、战术作战等各种需要[14]。

美国自2012年起开始关注空间计算技术，开展了卫星在轨信息处理、空天地一体化协同组网等技术研究，涵盖了空间云计算、空间预测分析、空间信息协同等，目前美国空军研究实验室已完成了在地球同步轨道部署星上云计算网络的试验，并正在探究高、中、低多种轨道类型的异构网络云计算部署方案及性能研究[15-16]。

德国的BIRD(Bispectral infrared detection)小卫星实现了可见光、中波红外和热红外3个波段图像的辐射校正、几何校正、纹理提取、地物分类和亚像元火点探测等在轨处理[17]。法国的Pleiades-HR卫星实现了辐射校正、几何校正和图像压缩等功能在轨处理[18]。欧空局的PROBA(Project for on-board autonomy)卫星开展了在轨自主任务规划等功能验证[19]。澳大利亚的FedSat卫星搭载了可重构在轨处理原型系统，可利用星上光学载荷生成的数据发现并监测自然灾害[20]。德国、加拿大、日本和以色列等国家也开展了卫星数据在轨处理技术研究和系统研制。

国内，武汉大学、中科院长光所和空天信息创新研究院等单位开展了卫星遥感图像压缩、定标技术(辐射校正和几何校正)和云检测等在轨处理技术研究[21-25]，清华大学、北京理工大学、北京航空航天大学和中科院空天信息创新研究院等单位开展了SAR卫星在轨实时成像技术研究[26-30]，北京理工大学、哈尔滨工业大学、华中科技大学、中科院自动化所和中国空间技术研究院等单位开展了卫星遥感图像在轨实时目标检测与识别研究[31-36]，国防科技大学、哈尔滨工业大学等单位开展了单星任务和多星协同任务在轨自主规划研究[37-41]。

图1 Blackjack卫星组成及其接口架构图[14]Fig.1 The architecture of components and interfaces of Blackjack satellite program

图2 BIRD小卫星星地一体化处理工作流程图[17]Fig.2 The satellite-ground integrated data processing flowchart of Germany BIRD satellite

清华大学的“航天清华一号”微小卫星的星上图像智能处理系统实现了在轨云检测，滤除云覆盖区域图像，减轻传输数据量[42]。中科院软件所的软件定义实验卫星“天智一号”卫星对基于商用处理器的在轨高性能计算、在轨软件重构、在轨云计算和开源航天应用软件上注等在轨处理技术进行了演示验证[43]。上海航天技术研究院研制的“浦江一号”卫星采用基于星上处理的自主任务规划技术，实现了多种有效载荷的协同工作[44]。北京理工大学开展了光学遥感卫星星上自主云检测、舰船目标检测和SAR遥感卫星星上实时成像、舰船目标检测等内容的在轨验证，中科院自动化所针对编队组网需求开展了星上图像处理、融合、信息提取、疑似目标区域快速定位、典型目标识别、区域变化检测等星上自主图像处理平台的研究和验证工作。长光卫星技术有限公司发射的“吉林一号”光谱01/02卫星已经开展了森林火点、海面舰船等目标的在轨智能检测与识别验证[45]。

卫星数据在轨处理的发展也推动了人工智能技术在对地观测卫星上的应用[46-47]，李德仁等[49-50]提出了智能化对地观测系统(IEOS, Intelligent Earth Observation Systems)、对地观测脑和天基信息实时服务系统等设想，武汉大学、北京空间飞行器总体设计部、中国空间技术研究院、中科院空天信息创新研究院、自动化所和软件所等单位对智能遥感卫星进行了深入探讨[51-55]。

1.2 存在的问题

目前，卫星对地观测数据的在轨处理能力仍然有限，主要存在以下五个问题：

1)传统的对地观测卫星主要是针对单星单载荷探测能力的提升，没有太多考虑多载荷、多卫星协同探测和多源信息融合，对于复杂环境低可观测区域的感知探测和信息提取的能力较弱。

2)多星协同观测概率不高，由于卫星单轨工作弧段短，成像卫星幅宽窄、过顶时间固定、重访周期长、同轨道卫星数目少，有效时间内综合多星协同观测同一区域能力弱，对于重要目标的连续监测能力不足。

3)多星之间的信息交互能力较弱，星间高速通信技术仍在试验验证阶段，卫星任务规划仍以地面解算为主，多星协同探测任务的自主智能规划程度不高，在轨自主任务规划尚未实用，对于时敏事件的应急响应能力仍有差距。

4)大部分卫星实现了在轨数据压缩和预处理等功能，部分卫星具备了一定的在轨检测、分类和识别能力，但对于多源数据在轨关联融合、态势分析等高层次处理研究较少，产品形式单一，不能满足不同层次用户的需求。

5)星上处理硬件和软件高速实时处理能力还需进一步提升，算法没有全面考虑在轨处理的能力和特点，智能化处理水平不高，空间动态分布式组网协同计算仍处于理论研究阶段。

2 关键技术分析

本文重点分析研究多源卫星在轨协同探测与信息融合，不涉及卫星组网、星间通信、网络协议以及星上硬件设备和操作系统等内容。随着人工智能技术的发展，卫星传感器探测及其信息处理逐步呈现出智能化的特点，从而进一步提升卫星的使用效能，本节结合人工智能理论分析研究多源卫星在轨协同探测与信息融合两方面的关键技术。

2.1 多源卫星在轨协同探测技术

卫星对地观测具有覆盖范围广、传感器类型多等优势，但也存在多卫星频繁交接观测、工作弧段较短、观测间隔时间较长等不利条件，具有稀疏非均匀观测的特点。为充分发挥卫星的使用效能，需要从信息融合的角度出发，规划设计卫星对地观测体系，构建任务驱动、信息感知与融合相统一的智能观测与智能处理一体化网络。

1)多载荷一体化综合卫星

卫星对地观测传感器具有多谱段、多模式、多尺度和多角度的特点，但单一传感器都存在一定的局限性，例如光学遥感卫星容易受黑夜、云雾和雨雪等因素影响，SAR遥感卫星容易受电磁干扰，并且其成像机理特殊，解译难度较大，电子侦察卫星容易受电磁静默和假目标欺骗，此外，对地观测卫星的幅宽与分辨率通常相互制约，难以实现大幅宽高分辨率探测。

因此，通过在单颗卫星上搭载多种类型的传感器载荷，研制综合型对地观测卫星，例如主被动一体化探测卫星(SAR与电子侦察、SAR与外辐射源等)、全被动探测卫星(光学与电子侦察、红外与电子侦察、红外与外辐射源等)，同时获取目标多维度特征，充分利用多传感器互补信息，降低单一传感器探测的不确定性和不精确性，并且能够结合敏捷卫星平台技术，实现大范围探测与精细探测模式的结合。

2)多类型载荷卫星星座

综合探测卫星虽然具有多维度探测的优势，但研制难度大、成本高，不适合大规模研制部署，因此，难以实现重点区域和目标的连续观测。结合卫星编队、星簇、分布式卫星等组网技术，综合考虑高轨、中轨和低轨等不同轨位卫星以及可见光、光谱、红外、SAR、电子侦察等不同类型传感器的特点和性能，基于在轨信息融合的角度，设计多载荷类型卫星星座，实现多星多维度协同探测。

中高轨卫星探测范围广、持续时间长，低轨卫星数据探测质量高，对地观测卫星星座可以在同一低轨轨道部署多颗同类型或者不同类型载荷的卫星，可以综合中高轨卫星和低轨卫星，实现对同一区域接力协同探测。另一方面，可以利用小卫星技术实现稀疏微波成像、分布式孔径成像、计算成像等新型探测机制，例如分布式雷达小卫星星座通过将多颗小卫星按照一定的空间构型组成编队协同工作，利用信号处理理论，将多个雷达天线波束合成为一个大波束，得到长的基线长度，实现一颗虚拟大雷达卫星的功能。

3)天基雷达信号在轨处理

天基雷达卫星可以进行对地大范围观测，具有SAR、MTI(Moving Target Indicator)、ISAR(Inverse SAR)和InSAR(Interferometric SAR)等多种工作模式，能够以单极化、双极化和全极化方式工作，实现对地面、空中、海上和空间等多种类型目标的侦察、监视、预警以及环境(地面、海洋)监测等任务[56]。但目前SAR、InSAR卫星是先将原始数据传输至地面，再进行成像和后期处理，MTI和ISAR卫星研制难度大，公开文献都是关键技术研究，尚未见到卫星型号公开报道。

天基雷达对地观测原始数据率很大，高分辨率SAR卫星的原始数据率可以达到数Gbps甚至十几Gbps，传输回地面处理一方面给星上存储和星地通信链路带来较大压力，单轨观测时间窗口较短，另一方面数据得不到实时处理，对于时敏目标和事件的快速响应能力弱。由于雷达具有全天时全天候工作的优势，开展天基雷达在轨信号和数据处理具有非常重大的应用意义，重点是解决天基雷达海杂波建模与抑制、SAR实时成像、动目标检测等核心技术，研制基于DSP、FPGA、GPU等星上嵌入式硬件及专用计算芯片，实现天基雷达数据在轨高速实时处理。

4)在轨协同任务智能自主规划

传统的卫星自主任务规划需要根据任务列表自主生成动作序列，但对于突发性紧急事件的快速响应能力不够，并且大多针对的是单颗卫星。而快速响应卫星、敏捷卫星、软件定义卫星和智能卫星等类型卫星的智能化水平更高、自主响应任务能力更强、响应任务速度更快，逐步具备了开展在轨自主任务规划的能力。目前，对地观测卫星大多以星座形式设计，多星协同已是对地观测的主要模式，多星协同任务在轨自主规划的需求日益迫切。

多星协同任务规划分为常规任务规划和应急任务规划，常规任务规划是将多用户提出的多个任务根据卫星轨道、传感器性能、气象环境等约束条件和任务属性，分配给不同的卫星，并将单星任务转换为单星的动作指令执行，从而在有限的卫星时间窗口、能量和存储等资源条件下，发挥卫星的最大使用效能，提高任务完成率。应急任务规划针对森林火灾、搜索救援等突发事件，通过时敏目标和事件在轨自主感知技术提高对突发事件的快速响应能力，利用星上实时获取的信息进行动态任务分配与规划，通过多星交接与提示、主动补盲等技术实现对突发事件的持续观测。

2.2 多源卫星信息在轨融合技术

相对于岸基、海基和空基稠密观测数据，卫星对地观测数据具有时空基准不同步、数据速率不一致、数据质量差异大、目标描述特征多维异类异构等特点。传统的信息融合方法不适用于多源卫星信息融合处理，需要结合在轨硬件和软件性能，研究在轨融合处理的体系架构和关键技术[57-58]。

1)单源卫星数据在轨预处理与信息提取

单源卫星数据在轨预处理与信息提取目的是为多源卫星信息融合提供高质量信息，以光学遥感卫星图像在轨处理为例，预处理主要完成定标、相对辐射校正、几何校正等，提高光学遥感卫星图像的数据质量，有利于感兴趣区域和目标信息的进一步处理。信息提取包括场景分类、热点目标检测与识别、变化监测等处理，从单源卫星数据提取感兴趣区域和目标的信息，例如图像特征、时空特征、语义特征等，从而提供数据层、特征层和决策层等不同层次信息融合处理所需的信息。

以深度学习为代表的人工智能方法已经开始应用在卫星遥感图像地物分割、目标检测与识别以及卫星电子侦察信号的辐射源特征分析等方向。卫星遥感数据具有多谱段、多极化(偏振)、多尺度、多时相等特点，而数据驱动的人工智能技术能够利用训练好的网络自适应地从图像中提取深度特征，不必受人工设计特征的限制，具有端到端的优势，具有强大的应用高价值和研究潜力。但相对于自然场景图像，卫星遥感图像训练集标注难度大、标注样本数量有限，为深度学习模型训练带来挑战，因此有必要研究稀少样本条件下的卫星遥感图像智能处理技术，例如迁移学习、小样本学习等；此外，卫星遥感在远距离平台过顶成像，通常成像区域范围大，场景中关注的目标类型多，目标尺度、分布多样化，因此在设计网络模型时，要将计算机视觉中的先进技术同卫星遥感数据特点、场景特点结合起来，根据任务需求，研究不同细节层次的多尺度学习网络、基于特征分析的多类目标混合学习网络以及基于共享特征表征的多任务学习网络等。在以上研究基础上，结合星上处理和存储设备性能，设计适应在轨处理的轻量化网络，合理降低算法的复杂度，考虑软硬件资源的合理分配，实现单源卫星数据在轨智能化预处理和信息提取。

2)多源卫星信息在轨智能关联

多星多载荷协同观测数据需要将同一区域或同一目标的单源信息进行匹配或关联，信息关联是在统一的时空坐标系下进行，需要将多源卫星信息进行时空对准。以目标关联为例，传统的基于目标运动状态的关联方法针对稠密均匀观测型数据，而卫星观测存在重访周期长，运动状态估计难等方面的问题，导致基于数学方程的目标关联方法准确度不高，传统的基于目标特征相似性度量的关联方法大多针对同类型同结构数据设计，距离度量函数包括Euclidean距离、Minkowsky距离、Mahalanobis距离等，但对于异类异质异构的多源卫星数据来说，观测信息呈现多模态，而不同模态信息处于不同特征空间，关联关系复杂，无法直接使用上述方法实现特征相似性度量和目标关联。

多源卫星信息关联需要联合多层次、多维度信息，例如空间、时间、属性、事件、身份等，针对不同协同探测场景设计智能关联模型。不同结构的卫星信息，例如遥感图像和电子侦察数据，其数据结构和特征描述差异大，对目标的关联主要体现在语义层次和空间位置关系上，通过研究多源卫星数据之间的关系结构和知识图谱，设计多模态深度学习网络和时空图卷积网络等模型，利用多源卫星数据在高层语义上和空间位置上的一致性实现关联模型的构建。不同类型的同构卫星信息，例如光学遥感图像和SAR遥感图像，需要分析其特征之间的隐含相似性，解决思路有基于领域自适应的域不变特征提取(Source invariant feature)和基于生成对抗网络(Generative adversarial networks，GANs)的数据翻译模型；前者是利用不同类型数据在高层特征上的关联性，通过将不同类型数据映射到同一特征空间，实现不同类型数据间的关联关系判别；后者是利用GANs的数据生成能力，将一种数据转换为另一种数据，将不同类型数据间的关联转换为同种类型数据间的实现关联。同种类型的同构卫星信息，如不同分辨率的光学遥感图像，可以利用深度度量学习、注意力机制和多任务学习等模型解决遥感图像语义内容复杂、传统特征表示方法鉴别能力不足的问题，提高同种类型信息关联的准确率。

3)多源卫星信息在轨智能融合处理

多源卫星遥感可以从不同模式、不同谱段、不同时间、不同平台高度提供同一场景下的地物和目标信息，数据中存在大量相关或互补内容，因此可以利用信息融合技术挖掘互补信息、去除冗余，加强信源间交叉验证，提高处理结果的准确性和可靠性。按照数据抽象层次，信息融合可以分为数据层融合、特征层融合和决策层融合。数据层融合直接对观测数据融合，要求数据是同类型且对齐的，例如多源遥感图像像素级融合，但数据层融合要处理的数据量大。特征层融合和决策层融合还可以应用于不同类型数据的融合，特征层融合主要在特征空间对从各卫星遥感数据提取的特征进行融合，决策层融合在决策空间对各源数据的决策结果进行融合，并且相对于数据层融合，特征层和决策层融合的数据量得到了有效压缩，综合考虑星间通信和星上计算能力，更适合于多源卫星数据的在轨融合。

特征层融合在有效降低数据冗余的同时，最大限度的保留原始信息。特征融合要考虑不同特征之间的相关性和互补性，既要综合不同特征之间的相似特征，又要综合不同特征之间的差异特征。目标的特征融合可以分为状态融合和属性融合，状态融合主要用于目标跟踪，可以基于深度循环卷积网络和时空图卷积网络实现多源异类卫星信息的目标智能关联跟踪；属性融合主要用于目标识别，基于深度学习的特征融合网络可以从多源异类异构数据中提取特征，直接从数据空间转换到特征空间，并方便的实现低层空间特征、中层语义特征和高层抽象概念特征等多种层面的智能特征融合。决策层融合需要从各信源获取识别不确定性度量、融合策略和推理规则等先验知识，进而结合证据理论和随机集理论等实现决策融合，而以上知识可以基于深度网络进行学习后获取。

4)空间分布式云计算网络

星上计算资源具有异类的特点，如硬件类型包括FPGA、DSP、CPU、GPU等，软件操作系统有VxWorks、Integrity等，系统架构和总线标准包括SpaceVPX、SpaceWire等，构成了一个高速动态的混合异构计算架构。多源卫星信息在轨融合需要研究空间分布式云计算网络技术，将多颗卫星的星上计算资源构成一个庞大的分布式处理网络，将信息融合处理任务近实时分配给各卫星节点，实现各卫星节点的网络互联和计算资源的全局统筹。

根据硬件特点和数据属性，建立异构空间云计算网络资源的虚拟化与在轨管理机制，通过高效的负载均衡算法将处理任务分配到不同的硬件设备上，保证各个卫星节点的计算能力都能够被有效地利用，实现多种类型星上硬件的动态协同计算。研究卫星在轨重构、边缘计算等计算机制，根据任务特点，通过软件定义重组星上探测、通信、计算等资源，实现卫星功能在轨实时动态更新和重构，从而适应不同用户、不同任务的需求。

5)星地联合数据处理与动态交互

卫星在轨信息处理尤其是智能处理需要专家经验和知识的支持，相对于星上存储和计算能力，地面处理系统可以更加充分利用海量的历史卫星对地观测数据进行学习，并且有更完善的知识库、模型库作为支撑。同时，随着卫星使用权限逐步转向用户，用户可以直接向卫星发出任务请求，实时接收不同层次数据产品，但终端用户尤其是高时效用户更加关注的是高层次的态势情报，以动目标监视为例，需要判断目标危险程度、意图和动向，能够给出危险告警等情报。卫星在轨处理实现高层态势感知难度大，需要与地面处理系统交互，获取地面知识和情报的支持。

建立星地联合智能学习机制，在地面进行海量卫星时空遥感大数据的学习，生成轻量化的学习网络模型，并实时上传至星上进行软件更新重构，实现星上智能处理和在线学习。针对突发事件和异常事件，在地面基于卫星时空遥感大数据学习其识别特征和行为规律，形成知识库并实时上传至星上存储和更新，从而实现突发事件和异常事件在轨自主感知。地面处理可以结合空基、海基和陆基传感器获取的信息，进行协同推理，克服卫星稀疏观测数据不完备、不连续等问题，并将生成的态势情报上传至星上，为在轨高层次态势生成和协同探测任务规划提供支撑。

3 未来发展趋势

网络化、智能化是未来卫星数据在轨处理的发展方向，网络化包括多平台、多传感器探测手段网络化和探测、通信、计算空间资源网络化，智能化包括多手段协同探测智能化和多源信息融合处理智能化。

1)高、中、低轨卫星通过星群组网、编队飞行等技术实现协同探测，凝视卫星能够实现对热点区域实时动态监视，提升卫星探测的时空覆盖范围和分辨率，综合可见光、红外、SAR、光谱、电子侦察和外辐射源探测等主被动方式，获取目标多维度的数据和特征，实现全天候和全天时探测，并通过信息融合技术提高卫星信息的精细印证能力。

2)不同轨位、不同功能卫星的探测、通信和计算资源，通过空间云计算技术共同组成动态高速重构的空间网络，一方面将协同探测任务动态分配给不同卫星，另一方面将获取的卫星数据融合分析动态分配给各个空间计算资源，通过空间计算模式实现多源卫星信息在线获取、处理和传输，为用户提供近实时的多维度多层次产品。

3)根据卫星平台和传感器的探测性能，设计任务驱动的多星协同在轨自主任务规划，实现多用户多模式任务的星上近实时在线规划，提高卫星资源的使用效率和多类型卫星之间的协同效率，推进卫星任务控制权限向用户转移，使得用户能够直接操控在轨卫星，直接获取卫星数据，提升对热点事件的快速响应能力。

4)卫星对地观测数据处理已经进入大数据时代，以深度学习为代表的人工智能方法能够挖掘卫星对地观测大数据背后的深层次信息，揭示潜在规律和隐性模式，通过星地协同处理机制，地面基于海量卫星对地观测数据学习知识和模型，并实时更新星上的信息融合处理系统，实现多源卫星信息的在轨智能融合处理。

4 结束语

现代对地观测卫星具有高时空分辨率、多工作模式、高敏捷性、组网协同等特点，多源卫星信息在轨融合处理能够进一步提升空间信息网络对广域监视和应急救援等应用场景的大范围搜索、精准解译和快速响应能力。本文对多源卫星在轨协同观测和信息融合两方面的关键技术进行了深入分析和研究，除了本文分析的关键技术，还涉及到卫星平台、通信、传感器等更多专业领域。开展多源卫星信息在轨融合处理关键技术研究和系统研制，对于维护我国全球化利益和国防安全具有重要战略意义，是我国空间技术发展的重要方向。

致 谢：本文在撰写过程中得到北京遥感信息研究所杨利峰研究员、上海航天计算机技术研究所邱源研究员和西安空间无线电技术研究所肖化超研究员的指导和帮助，海军航空大学信息融合研究所张筱晗博士、吕亚飞博士协助完成了在轨智能融合处理内容的修正，在此表示感谢。