遥感图像目标解译的基本任务是利用计算机对遥感图像中感兴趣目标进行自动检测及识别,以满足人们从海量遥感数据中快速获取目标信息的需要。作为当前遥感图像应用领域的研究热点和难点,遥感图像目标解译具有重要的理论意义和应用价值。随着遥感图像分辨率的提高,可辨识目标的种类和数量大大增加,然而对目标解译技术的要求也随之提高,同时遥感图像中噪声、光照变化、云雾等干扰的影响仍旧为目标解译带来困难。在这种背景下,对目标进行有效表示成为了提高目标解译性能的一个重要途径。　　 本文以基元结构表示方法、统计学习理论等为基础,就如何对遥感图像复杂场景中目标进行有效表示以提高目标解译系统性能这一问题进行了深入研究。在此基础上,将目标的表示方法及其相关推理计算方法置于遥感图像目标检测识别框架下,形成新的组合方法,解决了高分辨率遥感图像目标解译的若干问题。　　 论文的主要工作和研究成果总结如下:　　 1.提出了一种基于结构映射词袋模型的目标检测方法。该方法针对高分辨率遥感图像复杂场景中难以有效利用目标结构信息进行检测的问题,在采用视觉单词基元的基础上,引入了一种极坐标空间金字塔表示策略。该策略不仅能表达目标各部分的相对位置关系,而且具有旋转不变性,能有效地解决利用目标结构信息提高检测性能的问题。同时,该方法将稀疏编码算法与该极坐标空间金字塔表示策略结合以降低视觉单词量化误差。另外,该方法采用非极大值抑制策略对多重叠检测结果进行融合以去除重复的检测结果。实验结果表明,对于高分辨率图像复杂场景中的典型人造目标,该方法具有较高的检测准确率。　　 2.提出了一种基于多尺度面基元模板重构的目标识别方法。该方法针对遥感图像复杂场景中难以有效利用目标整体形状进行识别的问题,在采用多尺度面基元的基础上,使用了一种新的相似性度量方法,将目标间的相似性度量问题等效为基于重构的数学优化问题从而实现目标识别,有效地利用了目标整体形状信息,避免了由于难以提取目标整体形状造成识别准确率低的问题。实验结果表明该方法对遥感图像复杂场景中固定形状目标具有较强的识别能力,对图像中的阴影及目标部件缺失带来的干扰具有较好的鲁棒性。　　 3.提出了一种基于改进主动形状模型的目标识别方法。该方法针对遥感图像目标识别中难以采用统一模型表示目标类型变化的问题,从可变形模板表示的思路出发,通过对特定目标不同类型造成的形变进行研究分析,利用核密度估计方法对形变分布进行拟合,得到目标的全局统计形状约束,以尝试解决对遥感图像中目标建立统一形变模型的问题。另外,该方法通过设计一种半自动的图像标定方法,提高了对训练样本特征点的标定效率;通过对主动形状模型中局部纹理模型进行改进,提高了局部特征点搜索的准确性。实验结果表明该方法在合适的初始值条件下对具有多种类型且各类型形状固定的目标具有较高的识别性能。