可见光遥感图像的目标检测与识别是遥感技术中的重要内容。由于受多种成像因素的影响,目标特征常常存在显著的变化,这使检测识别的难度大大增加。有效利用上下文信息可以提升目标检测识别的效率和性能。本文针对引入多层次上下文信息的可见光遥感图像目标检测与识别方面开展了如下工作:在紧邻背景相对稳定场景的目标检测研究中,针对存在与真实目标具有相似特性的虚警干扰问题,提出了一种引入邻域上下文信息的检测框架。在该框架中,提出了梯度方向二进制模式描述子来表征目标的邻域上下文信息,由于该描述子不需要由码本学习进行特征量化,因此在特征提取方面显著提升了效率,并将该描述子嵌入空间金字塔匹配模型,提高了目标检测性能。在场景变化的目标检测研究中,提出了一种引入目标上下文信息的检测框架。针对目标上下文关系存在着同一种上下文约束关系发生在不同类别目标与候选目标之间、不同的上下文约束关系发生在同类别目标与候选目标之间的现象,我们设计基于词汇的目标上下文表述,再组合使用概率潜在语义分析模型来解决这一问题。在目标类别识别研究中,针对特征提取环节存在误差的问题,提出了一种引入内部上下文信息的识别框架,它首先提取目标的稀疏显著特征,再结合目标内部空间区域信息进行特征表述,最后进行分类识别。该方法增强了特征表述的稳健性,从而提升了识别性能。在遥感图像的地物分类研究中,针对同类地物目标光谱特性变化大、形状和纹理特征分布复杂的问题,提出了一种引入多种上下文信息的地物分类框架。它首先为了获取良好的分割对象,提出了一种基于图模型的层次化分割方法获取对象并用于初始分类,然后提出了一种具有旋转不变性的邻域上下文表述用于优化初始分类结果,最后利用马尔可夫随机场(Markov Random Field,MRF)模型引入邻域对象的相关性约束得到最终分类结果。该方法采用分层递进的策略逐步引入不同上下文信息,克服了直接使用MRF模型时对初始分类结果依赖性较大的问题。