随着信息时代的来临,对地观测技术的发展也进入到日新月异的阶段。其中遥感技术在最近10年更是发展迅速,并在各个领域都有广泛的应用,例如:农业(农作物生长管理、牧场监测),海洋(船只检测、溢油点检测),城市规划与管理,水质量监测,生态环境评估,全球变暖,全球森林资源评估,遥感和计算机技术的不断发展催生了遥感数据的爆炸式增长。面向海量遥感影像数据,基于遥感影像检索技术,从中快速高效地为用户提供高质量遥感数据,方便用户针对具体应用开展研究,这对于提升遥感数据的信息挖掘能力,并最终提升遥感影像利用率具有重要意义。本论文围绕基于内容的遥感图像检索技术,依次介绍了基于底层特征(词袋模型)、基于像素级语义信息、基于对象级语义信息的遥感图像检索方法,具体实现了基于深度学习模型的像素级语义信息提取、设计了基于像素级和对象级语义特征提取方法,并以此为基础构建基于遥感语义特征的图像检索系统。本文主要研究内容如下:(1)系统地介绍了基于底层特征的遥感图像检索常用的特征提取方法、相似性度量算法和检索性能评价指标,并针对底层特征抽象方法—词袋模型,分析和比较不同的特征提取方法(SIFT和Dense SIFT)对其性能的影响。此外,将Dense SIFT与空间分块策略进行结合应用于词袋模型,并基于此实现遥感图像检索。(2)重点介绍了目前深度学习方法在基于遥感像素级语义信息提取方面的应用,阐述了常用的深度学习模型原理及其各自的特点与应用方向,特别地,对卷积神经网络的结构组成以及模块的功能进行了分析。针对高分辨率影像,构建基于卷积神经网络的像素级语义信息提取模型,并讨论和分析Batch Normalization在卷积神经网络的作用。(3)分别在光谱维和空间维构建基于卷积神经网络的高光谱遥感影像分类模型,分析和比较光谱维和空间维信息对高光谱影像分类的影响;然后将空间维和光谱维信息进行结合构建光谱-空间维卷积神经网络,相较于之前提出的两种网络结构模型,该模型可以提升高光谱遥感影像分类精度。针对高光谱遥感影像信息提取中维数过高的问题,提出了基于结构相似度的快速密度峰值聚类波段选择方法(SSIM-FDPC),与FDPC和EFDPC方法进行了分析与比较,相较于FDPC和EFDPC,SSIM-FDPC在波段选择方面有着更稳健与更优的性能。然后,对SSIM-FDPC方法中的结构度、对比度和亮度三个因子的敏感性进行了分析。最后,对不同的高光谱降维方法与卷积神经网络结合在高光谱遥感影像中的分类性能进行对比,分析不同的特征维数对分类精度的影响并比较不同的降维方法的稳定性。(4)针对遥感影像分类图,提出了基于像素级语义信息的特征提取方法,并基于此设计了一个完整的遥感图像检索系统,它允许用户选择任意形状的大小的感兴趣区域作为参考场景,而不必像传统的检索系统需要用户输入固定尺寸以及规则形状的图片来进行检索。此外,为丰富检索结果以及方便用户对检索区域进行定位与查看,对具有重叠区域的场景进行合并显示,并依据采用的“投影方式”计算场景中心的地理坐标。为提高检索速度以及满足不同尺度检索的需求,提出了构建基准特征库以及特征拼接的策略。(5)针对基于对象级语义信息的遥感影像检索,介绍了传统的基于图像分割的对象级语义信息提取方法(直接法)和基于遥感影像像素级语义信息的对象级语义信息提取方法(间接法),并以此为基础,利用基于交互信息熵的相似性度量方法来比较场景之间相似度。以对高分辨率遥感影像为例,实现“像素级语义信息提取→对象级语义信息提取→基于对象级语义信息的遥感影像检索”处理流程。