本书在介绍深空探测任务与深空影像背景知识的基础上，着重从统计数据分析和人工智能两个方面介绍深空遥感影像相关的智能解译方法。其中，在统计数据分析方面，介绍了统计理论工具及其在“嫦娥”观测数据的判读解译应用。在人工智能数据分析方面，介绍了深度学习中基于语义分割和基于目标检测方法在全月撞击坑的自动判读识别。为了便于读者使用上述方法，书中提供了大量案例及相应的代码实现。 本书适合天文学、统计学、人工智能、遥感等学科的高校教师、研究人员、高年级本科生、硕士和博士研究生参阅，也适合数字图像处理分析及非结构化数据分析等应用领域的相关科技人员使用。

前言
第一部分 基础理论篇
第1章 绪论
1.1 研究背景与数据基础
1.2 深空遥感数据特点
1.3 关键问题
1.4 具体研究内容
第2章 聚类表示与地貌识别的基础知识
2.1 聚类的概念
2.2 深空影像数据聚类识别方法的研究现状
2.2.1 人工识别
2.2.2 基于地形信息的分析算法
2.2.3 机器学习方法
2.3 聚类相关基础知识
第二部分 基于经典统计方法的深空数据解译篇
第3章 基于嫦娥三号极紫外影像的地心定标
3.1 任务背景与极紫外数据介绍
3.2 极紫外数据特征分析
3.3 圆形差分方法
3.4 地心定标结果
3.5 结论
附录 388幅发布的EUV影像的初步地心定标结果
第4章 基于嫦娥二号影像数据的Toutatis小行星(4179)的形貌探索
4.1 Toutatis小行星介绍
4.2 基于梯度分析与区域约束的形貌自动判读
4.2.1 梯度分析提取形貌种子点
4.2.2 基于区域约束的形貌单元自动标识
4.2.3 实验分析
4.2.4 自动提取方法的相关结论
4.3 基于Toutatis影像数据的增强技术及形貌的分层分类分析
4.3.1 分层分类分析方法
4.3.2 分层分类结果与分析
4.3.3 分层分类方法讨论
4.4 结论
第5章 基于随机场的影像低对比度区域形貌分析
5.1 基于马尔可夫随机场模型的聚类方法
5.2 冯？卡门撞击坑形貌分析
5.2.1 实验数据
5.2.2 实验结果
5.2.3 结论分析
5.3 小天体形貌分析
5.3.1 实验分析
5.3.2 形貌判读
5.3.3 讨论分析
第三部分 基于深度学习方法的深空数据解译篇
第6章 深度学习基本理论知识
6.1 CNN介绍
6.1.1 CNN发展历史
6.1.2 CNN基本概念
6.1.3 基于CNN的深层神经网络介绍
6.2 深度神经网络的应用
6.2.1 常见的影像语义分割模型
6.2.2 常用的目标检测模型
6.3 深度学习常用的评价指标介绍
第7章 基于深度学习的撞击坑判读
7.1 引言
7.2 研究基础
7.2.1 研究数据类型及来源
7.2.2 撞击坑目录
7.3 深度学习在撞击坑识别中的发展
7.3.1 撞击坑识别中的问题
7.3.2 撞击坑识别算法步骤
7.3.3 撞击坑识别算法效果对比
7.4 经典语义分割网络实验介绍——以UNet为例
7.4.1 数据集准备
7.4.2 实验流程介绍
7.4.3 实验结果分析
7.4.4 部分实验Python代码
参考文献