随着遥感图像的应用越来越广泛,传统的利用人工方法来对图像中的目标进行检测与识别已经远远不能满足现在的需求。由于遥感图像的数据量大,目标类型复杂,纹理信息丰富,场景大而变化多,目前的目标检测方法准确率并不是很高,常常还会出现漏检,影响目标检测的性能。因此,如何利用遥感图像的多谱信息,采用合理有效的处理方法来改善和提高遥感图像的目标分类与识别性能,是目前研究者越来越关注的话题。本文以遥感图像中的道路目标为对象,利用机器学习技术,从基于特征的道路目标描述、传统机器学习的道路检测方法及现代机器学习的道路识别技术等三个方面,深入研究道路目标的分类与识别。论文工作主要包括:(1)基于纹理特征的道路目标描述。利用图像灰度共生矩阵GLCM,有效地提取纹理特征来描述道路目标。首先,通过分析不同尺寸样本、不同波段图像及其GLCM生成参数对道路目标的贡献情况,选取了RGB彩色空间、G波段和NIR波段遥感图像,并确定GLCM。然后,通过比较基于GLCM计算的纹理特征量对道路和非道路目标的可区分度,最终确定逆差矩、熵、对比度等3个纹理特征为道路目标最有效的特征描述量,用于后期的检测分类。(2)基于支持向量机SVM优化后的道路分类方法。提出了双线性分段二分网格搜索方法,优化了基于RBF核的SVM分类器参数确定。首先,在初始搜索范围内,寻找出满足交叉验证最高正确率所对应的惩罚因子,确定最佳搜索段。然后,分段采用二分法,迭代求解出每段SVM的最高正确率所对应的最佳参数;最后,找出SVM最高正确率的最大值对应的最佳参数,即为SVM模型参数优化结果。与传统的双线性法、网格搜索法和双线性网格搜索法等方法相比,本文提出的参数优化方法训练量小,计算简单,学习精度高,使得SVM具有更高的泛化性能。在遥感图像道路目标检测中,准确率达到70%。(3)基于深度卷积神经网络VD-CNN结构的道路识别方法。采用小卷积核叠加策略,选择不同深度和规模的卷积层与池化层和全连接层,重构了VD8、VD10、Lower VD10及Higher VD10等4种VD-CNN网络结构模型。通过4个网络的学习训练及识别精度性能对比,重构的基于小卷积核叠加的VD10-CNN网络结构因其合理的深度,取得了最好的道路分类识别结果,准确率达到93%。