在大数据与大模型技术的双重推动下，遥感图像解译领域正经历一场范式变革。从早期依赖模型结构设计的传统路径，逐渐转向"基础模型+微调"的创新模式，这种转变在土地调查、农业监测、海洋导航等关键应用中展现出显著优势。面对小样本数据、长尾目标识别以及算力受限等现实挑战，微调技术凭借其低成本、高效率的特性，成为突破技术瓶颈的核心手段。
技术演进呈现清晰的脉络：早期全参数微调通过解冻大部分模型参数实现跨任务迁移，但存在计算成本高昂的缺陷；随后发展的参数高效微调（PEFT）技术，通过适配器、提示学习、重参数化等方法，在保持预训练模型主体参数冻结的前提下，仅对少量新增模块进行训练。当前领域正迈向混合微调阶段，通过统一框架整合多种PEFT技术，实现多模态数据与多任务场景的协同适配。
清华大学胡事民院士团队联合多所高校及科研机构，在CVMJ期刊（影响因子18.3）发表的综述论文，系统梳理了遥感微调技术的发展轨迹。研究团队将现有技术体系划分为六大范式：适配器微调通过插入轻量级模块实现任务适配；提示微调利用可学习向量引导模型输出；重参数化方法（如LoRA）通过低秩分解优化权重更新；混合微调整合多种技术优势；部分微调选择性地解冻模型局部参数；改进型微调则通过优化训练策略提升性能。
在应用实践层面，多项代表性研究展现了技术创新的深度。AiRs团队开发的SCA空间上下文适配器与SRA语义响应适配器，有效提升了遥感图像的空间信息处理能力；RSPrompter提出的链式思维提示方法，通过多步推理设计解决了复杂场景下的目标识别难题；LoRA-NIR技术针对近红外波段进行专项优化，而MSF-SAM模型则通过融合适配器与LoRA技术，实现了道路、水体等地物的高精度分割。这些创新成果验证了微调技术与遥感任务特性深度融合的可行性。
研究团队系统整理了光学、SAR、高光谱等多元传感器数据集，覆盖去雾处理、变化检测、语义分割等典型任务，为技术验证提供了丰富的数据支撑。针对当前技术发展的瓶颈，综述提出了九个重点研究方向：包括面向小样本场景的高效微调方法、超分辨率等新兴任务的应用拓展、遥感专用基础模型的性能优化、结合多尺度特征的定制化微调策略，以及混合微调框架的理论研究等。
在技术实现层面，研究揭示了参数高效微调的关键突破点。重参数化技术通过将权重更新量分解为低秩矩阵乘积，使可训练参数数量减少90%以上；提示微调技术仅需优化0.1%的模型参数即可实现任务适配；混合微调框架通过动态组合不同技术模块，在保持计算效率的同时提升了模型泛化能力。这些技术特性使其特别适用于遥感领域数据获取成本高、场景复杂度大的特点。
