随着城市的发展,城市布局越来越复杂,城市区域不断的扩大,城市管理的执法成本变得越来越高。为了加大对这些城市的监管,城市管理者必须加大工作力度,如人工巡逻、标语提示,同时类似共享单车,违章建筑,城市小摊贩等问题都有共同的特点。如何高效,低成本的解决这些问题的监管有着重要的意义。随着最近几年无人机民用,利用无人机低成本,高机动性的特点,辅助城市管理者工作。为了让无人机理解图片,视频中拍摄区域的现实意义,提高对空拍图区域识别的准确率,论文从传统图片特征提取的角度,构造图片特征后利用聚类算法对图片区域进行无监督的识别。首先从特征点提取算法SIFT出发,利用基于排序的特征点提取算法,定义了从另一个角度定义了稳定特征点,利用Rank SVM +基于稳定特征点的特征向量定义,通过机器学习的手段,克服了 SIFT对于参数依赖,使得SIFT能够提供更稳定,鲁棒性更强的特征点。之后利用改进后的SIFT算法对特征点进行提取,然后通过强化学习的方式改进基于SIFT的匹配算法,这样就能更好的计算出两张图片的相似度,从而构造相似度矩阵,利用Affinity Propagation聚类算法对图片进行无监督的聚类,从而完成区域的识别工作。实验证明我们的算法能够很好的对空拍区域做出识别。为了实现实时性,利用Fast RCNN算法加上经过特定空拍训练集训练之后的深度学习模型,经过实验证明这套算法在实时性和准确率上都能够保证对区域进行识别。