为了进一步提升建筑物遥感图像分割的准确性和运算速度，本文提出了基于混沌布谷鸟优化的二维 Tsallis交叉熵的建筑物遥感图像分割方法。首先给出了二维 Tsallis交叉熵的阈值选取公式，然后将 Logistic混沌映射引入布谷鸟算法，进一步加快布谷鸟算法的收敛速度，最后通过该混沌布谷鸟算法优化基于二维 Tsallis交叉熵的阈值寻找过程，并以得到的最优阈值分割建筑物遥感图像。大量实验结果表明，与二维倒数交叉熵法、二维 Tsallis熵法、基于混沌粒子群优化的二维 Tsallis灰度熵法等方法相比较，本文方法分割的目标更为准确，细节更为清晰，且运算时间更短。

针对遥感影像中目标方向、目标大小、拍摄角度及场景的多样性导致飞机目标检测精度不高的问题，提出一种基于残差网络（ResNet）的目标检测新方法。首先采集并且标注遥感图像数据，这些数据包含了晴天、薄雾等多种气候条件下的遥感影像；然后构建图形金字塔和模板金字塔进行多尺度检测，并且加入残差网络的全卷积网络结构中不同层的上下文特征信息；最后通过拟合回归进行端到端的训练，得出鲁棒性强，精度高的目标检测网络模型。实验结果表明，该网络模型对于较复杂背景等干扰有较强的鲁棒性，检测精度高达89.5%。

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器，并在每个步骤中进行实时调整，以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征，并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类，实验结果表明，本文提出的模型在训练时间和分类准确率上都优于现有算法。

传统的水体信息提取方法难以处理包含复杂信息的大规模遥感图像。针对该问题，本次对应遥感图像与显著图建立了遥感数据分类标准，分割遥感影像中的重要信息。针对遥感影像水体信息提取的需求，改良了PCNN神经网络，建立了快速响应的PCNN神经网络模型，并实现了基于Matlab的验证平台。同时对比了PCNN神经网络模型与3种常见水体信息提取方法，可以证明PCNN神经网络在识别准确性、网络运行的效率与可靠性方面均表现优秀。

为了从遥感图像中提取出更为准确完整的目标边缘，提出一种基于无下采样Shearlet 模极大值和改进数学形态学的目标边缘提取方法。首先采用无下采样 Shearlet 变换(NSST)将图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量；然后结合不同分解程度下边缘像素点处的系数关系，对高频分量的各个子带进行模极大值检测，再经过双层掩膜筛选后得到高频边缘提取结果；对低频分量采用改进的数学形态学方法，得到低频边缘提取结果；最后将上述两部分融合，使用区域连通方法去除孤立点，得到最终的目标边缘图像。大量实验结果表明，与 Canny 以及其他 4 种同类边缘提取方法相比，本文方法所得边缘定位准确、完整清晰、细节丰富，且抗噪能力强，为后续遥感图像目标特征提取与识别奠定更好基础。