月球上的线性构造特征能够反映构造形成时的月表的应力状态和热状态，月溪作为月球表面最明显的线性构造之一，能够反应月球的部分热演化过程。由于线性构造的形态复杂，人工目视解译是当前识别和提取这些构造的主要方法。然而，从大量月球遥感数据中提取这些特征通常需要研究人员花费大量的时间和精力，尤其是对于小尺度的构造特征，如皱脊和叶状陡坎。为了提高线性构造检测的效率，本文以月溪为例，开展了月溪自动检测方法的研究。本研究工作的主要工作和成果如下：
（1） 梳理了一套完整可行的多模态数据集制作流程，在前人月溪识别的工作基础上，利用LRO WAC 100m分辨率的光学影像数据和SLDEM2015的59m分辨率的DEM数据，并基于1∶250万全月地质图月溪数据库和Hurwitz、Podda的月溪目录制作了适用于语义分割训练的月溪多模态数据集。
（2） 在DeepLabv3+结构上，结合了ECA-ResNet和动态特征融合等先进的深度学习技术，提出了一种检测月溪的多模态语义分割模型（Sinuous Rilles Networks，SR-Net）。
（3） 通过迭代训练，SR-Net模型实现了月溪的自动识别与提取，与PSPNet、ResUNet和DeepLabv3+等其他网络相比，SR-Net在多模态月溪测试集上表现出更高的平均交并比（MIoU）（93.90%）、召回率（92.18%）、准确率（95.20%）和F1分数（93.67%）。
（4） 利用训练完成的SR-Net自动识别和提取了南北纬60度范围（全经度范围）内的月溪。
（5） 对自动识别的结果进行人工筛选和补充，对识别出的每条月溪的形态参数进行了测量，生成了新的全月月溪目录，该目录包含459条月溪，其中143条为本次研究新识别出来的。
本文提出的方法不仅能用于月溪的自动识别，通过加入其他线性构造的训练样本对模型进行微调和迭代训练，还可扩展到其他线性构造的自动识别和提取任务当中，从而提高未来月球线性构造和地质资源探测的效率。