基于高分辨率遥感影像进行震害建筑物检测,对开展应急响应救援及灾后重建等具有重要意义。目前,震害建筑物检测方法主要可分为基于经典机器学习和基于深度学习方法。前者采用用户定义的底层和中层语义特征,适用于小样本条件下的应用场合;后者则能够自动提取具有鉴别力和代表性的抽象特征,在训练样本充足条件下通常能够取得更加准确的检测结果。因此,两类方法在实际应用中各具优势,但同时又各自面临着不同的挑战。为此,本文分别针对两种检测方式中面临的难点问题展开研究,具体研究内容如下:（1）基于经典机器学习的支持向量机分类器,本文提出了一种基于稀疏词典的震害建筑物检测方法。该方法首先联合光谱、纹理和几何形态学特征对震害建筑物进行多角度刻画;在此基础上,针对视觉词典中缺少空间上下文特征问题,通过构建相同、相异词对进一步引入空间上下文信息,从而构建多特征初始视觉词典;此外,针对多特征视觉词典存在信息冗余的问题,提出了一种基于K奇异值分解的视觉词典稀疏表示方法,以尽可能地减少冗余信息;最后,利用支持向量机获得最终检测结果。通过多组震后影像实验表明,所提出方法的总体精度可达到85%以上,且在目视解译和定量分析中均显著优于对比方法。（2）基于深度学习中的UNet网络,本文提出了一种基于相互注意模块与代价敏感迭代损失的震害建筑物检测方法。该方法首先针对UNet网络忽略了高低层特征之间语义差异的问题,在UNet网络的跳跃连接中设计了一种相互注意模块,以充分利用高低层特征信息增强特征表达能力;在此基础上,针对一般损失函数会导致网络对震害建筑物类样本关注不足的问题,设计了一种新颖的代价敏感迭代损失函数,从而迫使模型更加专注对震害建筑物样本的学习。为验证所提出方法的性能,本文依据海地和中国玉树的震后影像,制作了两个面向震害建筑物检测的数据集。实验结果表明,嵌入相互注意模块以及采用代价敏感迭代损失函数均有助于显著提高震害建筑物检测精度,所提出的震害建筑物检测网络是可行且有效的。（3）对所提出的两种方法从训练样本数量对总体精度的影响,以及综合性能两个方面进行了对比分析。结果表明,第三章方法在训练样本数量、硬件要求、运行时间、可获取对象级识别结果等方面更具优势;第四章方法则在样本数量充足条件下,具有显著的检测精度优势。综上,本文为不同样本条件下的震害建筑物检测提供了两种高效的解决方案,研究成果有助于推进遥感技术在震后应急响应及震后重建领域中的推广应用。