高分辨率遥感图像在军事和民用的诸多领域中扮演着重要角色,遥感图像中的目标检测一直是一个研究热点。随着空间分辨率的不断提高,遥感图像中包含的信息日益丰富,这不仅突显了目标的细节信息,同时也增多了各种干扰信息,使现有的图像目标检测方法面临新的挑战。　　 本文以统计学习理论和概率图模型为基础,主要研究目标检测过程中目标语义信息的表征、目标模型的构建和分析。所研究的基于语义模型的目标检测方法根据高分辨率遥感图像的特点,充分考虑图像中包含的先验知识,利用图像的语义信息构建目标模型,力求为人造目标的精确检测提供一个行之有效的处理方法。　　 本文的主要创新点为:　　 1.提出了一种基于主题语义模型的目标检测方法。针对高分辨率遥感图像复杂背景干扰造成的直接利用低层特征难以有效区分目标类别的问题,该方法利用主题模型,抽取出“目标-特征”的共现规律,用更能反映目标间本质区别的潜在主题语义表示目标类别。传统主题模型的主题数往往需要人为指定,该方法采用一种主题约束机制选择最优主题参数,使得抽取的目标主题语义能够更加准确地表征目标。另外,该方法采用与图像多尺度分割相结合的目标检测方法,摆脱了分割数目和尺度的约束。实验结果表明该方法对外观特性分布均匀的目标具有较高的检测性能,可以提取出较精确的目标轮廓。　　 2.提出了一种基于形状结构模型的目标检测方法。高分辨率遥感图像能够清晰地呈现人造目标具有的典型形状,然而由于图像存在复杂背景、阴影干扰等问题导致自下而上的目标检测方法难以有效利用形状信息。针对这一问题,该方法利用目标的先验信息构造目标的形状模型,采用模型驱动的方法实现目标检测。该方法使用点集表示形状并用点的统计分布信息描述目标模型,提高了模型对形变、遮挡以及部分缺失的鲁棒性。同时,该方法通过多尺度分割获取形状数据并设计了一种描述结构信息的空间关系函数,定量分析分割区域间的空间位置关系,提高了目标检测的精度。实验结果表明该方法对具有一致形状的目标具有较高的检测性能,且对颜色、纹理等变化具有鲁棒性。　　 3.提出了基于条件随机场模型的目标检测方法。针对难以将上下文信息直接用于高分辨率遥感图像目标检测的问题,该方法利用条件随机场同时融合多类特征和上下文信息构建目标模型,借助随机场模型能量函数的构造将上下文信息融入建模过程,不仅增强了模型应对目标类内差异的能力,也提高了处理结果的可信度。同时,该方法使用过分割产生的图像子区域作为基本处理单元,每个子区域属于同一类目标,在考虑了较大范围的上下文信息的同时提高了方法的处理效率。实验结果表明该方法对表面色调不均匀的目标具有较高的普适性和鲁棒性,能够获得较准确的检测结果。