随着对地观测技术的发展，遥感图像在军事和民用领域的应用范围日趋广泛。基于遥感图像的自动目标识别在现代战争情报搜集中起着重要的作用，然而现有的遥感信息处理技术水平仍未达到实际应用的需求。尤其是随着遥感图像分辨率的提高，遥感成像系统产生的图像数据量剧增，单幅遥感图像的尺寸显著增大，而相应的数据处理技术却很难适应实时有效处理的要求。为了提高遥感图像数据的利用率、提高遥感信息自动化处理的效率和可靠性、增强军事侦察和情报信息收集能力，本文围绕高分辨率遥感图像中典型目标的标检测识别问题，研究了图像分割、感兴趣区域(Regions of Interest, ROI)检测、特征提取等关键技术，在此基础上提出一个多类目标检测识别方法，克服了现有遥感目标检测算法针对性强、可移植性差的问题，提高了自动目标识别系统的效率和适应性。面向对象分析是高分辨率遥感图像目标识别的一个重要方向，其前提条件是将图像分割成具有一定语义信息的区域对象。针对现有分割方法对高分辨遥感图像分割效率低、自动化程度不高的现状，提出了一个基于快速均值漂移（Mean Shift）算法的标记分水岭分割方法。首先，对图像进行双边滤波去噪；然后，用改进的快速Mean Shift算法进行初始分割；接着，将初始分割结果中的同质性区域作为标记进行标记分水岭变换；最后，采用面向对象的思想对标记分水岭分割的结果进行区域合并得到最终的分割结果。该方法有效解决了传统分水岭分割容易造成过分割的问题，而且可以通过调整标记面积阈值来实现不同尺度的分割结果。通过与其它方法进行分割精度和效率上的实验对比，证明了本算法在保证分割精度的同时，执行效率有了很大的提升。针对复杂场景高分辨率遥感图像数据量大、冗余信息多、目标搜索耗时的问题，提出了一个基于视觉显著性检测的ROI提取策略，根据不同目标的类型和尺度采用不同的方法。对于线性结构目标，在低分辨率图像上用一个基于加权直线段长度密度分布的自顶向下显著性模型，将那些具有高对比度的长直线段所在的区域作为感兴趣区域，能够快速定位图像中大型直线性结构目标的潜在位置。对于团块目标，在对应区域的高分辨率图像上采用一个基于多尺度颜色直方图对比度的自底向上显著性模型，快速生成一幅全分辨率显著图，将其与超像素分割结果相结合，根据各超像素的平均显著度提取出那些容易引起人类视觉关注的区域作为感兴趣区域，缩小目标搜索的范围。基于视觉显著性的ROI提取，能够快速从大幅面图像中找出目标的潜在位置，为后续目标识别做好准备，提高目标识别的效率。根据遥感图像目标检测识别的需要，重点研究了遥感图像中线特征、圆特征、区域几何特征的快速提取技术。首先，将改进的相位编组直线段提取方法与感知分组连接相结合，提出一种快速直线段检测算法；接着，在直线段检测的基础上，根据感知分组原理提取了平行线、垂直线等结构特征，为机场、桥梁、港口等直线性结构目标的识别奠定了基础；然后，提出了一种改进的两步Hough变换圆检测算法，用于油库目标检测时可提高圆形油罐识别速度和精度；最后，提出了一种高效的连通区域标记算法，为目标区域的几何形状特征参数的快速计算奠定了基础。通过大量实验表明，各算法都能够快速准确地提取出相应的形状特征。在图像分割、感兴趣区域检测、特征提取研究的基础上，提出了一个基于形状特征的高分辨率遥感图像多类目标检测识别方法。本方法首先将利用加权直线段长度密度分布显著性模型在低分辨率图像上提取的线性结构目标ROI映射到高分辨率图像，对相应区域进行面向对象水陆分类，为目标识别提供上下文环境信息；然后，提取线性目标ROI区域的线性结构特征生成特征向量，利用决策树支持向量机识别机场、港口和大型桥梁目标；最后，在检测到的机场和港口目标对应的高分辨率图像区域，利用多尺度颜色直方图对比度显著性模型检测飞机和油罐的ROI，根据油罐的圆形特征及其空间分布识别油库目标、用基于不变矩和SIFT特征的支持向量机识别飞机目标。实验表明本方法可以有效识别高分辨率遥感图像中的多类目标，具有较高的目标识别率和运行效率。