遥感图像感兴趣目标的准确检测与定位一直以来被认为是遥感图像处理中最重要的任务,在军事和民用领域均具有重要的应用价值和研究意义。近年来随着对地观测技术的飞速发展,日常工作中的待处理数据呈几何式增长,单纯依靠人工目视判读来获取感兴趣目标位置信息的传统方式存在效率低、成本高、信息处理与获取周期长等缺陷,且极大受限于操作人员的主观认知;而单纯依靠机器视觉方法,也存在易受干扰、准确度较差等问题。因此,如何结合人与机器检测的优势,从大量现代遥感数据中快速准确地自动提取、识别感兴趣目标,成为一个亟待研究的问题。眼动技术可捕捉人类进行视觉搜索的过程,为机器视觉算法提供高层语义信息,是目前认知科学与心理学及教育领域的研究热点。本文从实际应用角度出发,围绕融合眼动和机器视觉的遥感图像目标定位展开研究,主要成果如下:1.针对遥感图像背景复杂、干扰性强,仅利用图像信息难以对显著目标快速定位的问题,本文提出一种眼动注视相关的遥感图像显著性分析方法。首先引入高斯混合模型,通过学习不同的眼动注视特征得到相应的高斯图权值,由于没有图像特征参与,生成的高斯图不受图像复杂背景的干扰。进一步结合图像信息,通过元胞自动机对其进行优化,得到注视相关显著性图,这类显著性图以注视相关高斯图为起点,结合了图像信息与注视代表的认知信息,降低了背景干扰的影响。实验结果表明,本文提出的注视相关显著性算法在背景复杂、强干扰物存在的情况下,可以更好地对显著性目标进行标记。2.针对传统遥感图像显著性目标检测的目标区域推荐候选框数量较多导致检测计算量大、效率低的问题,本文以提出的目标显著性图为基础,提出一种多源信息融合的单目标检测算法。利用边缘信息指导超像素融合并参与提取候选框,生成少量推荐候选框,并设计眼动注视、显著性与边缘信息相结合的评分准则来确定最终候选框,这一方法将注视代表的语义信息引入显著性目标检测,利用人的视觉机制快速筛选可疑区域,有效提升了检测效率与准确性。实验结果表明,该方法对一般目标的检测效率与准确度能达到与现有先进算法相当的水平,且对小尺度目标的定位准确度提升效果大于50%。3.针对显著性检测方法在多目标图像检测上表现一般,且现有算法缺乏通用性的问题,本文提出一种融合眼动与深度网络优化的多目标检测算法。针对多目标任务,在上述提出的单目标任务评分准则基础上,对每一注视点提取相应的注视候选框,并结合眼动注视相似度评分与交除并评分判断筛选最终候选框,使用深度学习对最终候选框进行边缘回归,以优化最终结果。实验结果表明,相比于一般的特征提取检测法,本文方法在遥感图像多目标检测任务中可有效降低漏检、错检现象。