现代遥感技术已进入一个能够动态、快速、准确、多手段提供对地观测数据的新阶段。遥感影像的质量也呈现高分辨率、高光谱和多时相的发展趋势。与此同时，遥感技术也广泛应用到农业、环境监测、经济建设和国防等各个领域。针对高分辨率遥感影像的目标检测作为遥感技术一个重要的应用研究方向，就是通过某种技术手段，对遥感图像中的感兴趣目标进行定位和目标辨别的过程。遥感影像的目标检测无论在军事还是民用领域都有着广泛的应用前景。对基于计算机视觉技术和模式识别技术的目标检测系统来说，基于数据的机器学习问题是其中重要的一环。支持向量机(support vector machine，SVM)是Vapnik等人提出的一种新的学习算法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功的应用。与其理论研究相比，在遥感图像处理中的应用研究起步相对较晚。本文在支持向量机算法、遥感影像目标检测中的应用等方面进行了系统的研究，本文主要工作如下：1．将支持向量机引入到高分辨率遥感影像的目标检测应用当中。考虑大样本时，样本中存在着较大的冗余，并且支持向量机的分类效率和准确率都只和支持向量有关，本文提出了基于K均值聚类的SVM迭代训练算法。利用K均值聚类算法进行样本集压缩，压缩的结果作为初始训练样本集，再通过加入边界样本和错分样本来更新训练样本集，将此过程迭代进行直到错分样本数目不变为止。因此能在保持训练精度的同时大幅提高训练的速度，同时，由于得到一个较小的支持向量集，分类速度也能有所提高。2．针对大幅遥感影像目标检测提出了快速高效的算法。提高效率是遥感目标检测中的重要课题，由于大幅遥感影像中目标模式复杂，造成构造分类器的支持向量增多，降低了检测的效率。本文从搜索策略出发，提出了基于分层的快速检测策略，由于分类器的检测效率和构造分类器的支持向量成反比，因此减少分类器的复杂度成为提高效率的关键。作为一种自下而上的搜索策略，分层方法通过组合多个复杂度逐渐增加的分类器，快速排除比较明显的背景区域，从而减少细致搜索的区域数量，达到提高效率的目的。3．考虑缺乏先验信息的情况下，结合遥感图像纹理特征的分析，提出了一种基于感兴趣区域快速定位的目标检测方法。通过将“非感兴趣区域”类分为三个子类，分别构造三个子类和“感兴趣区域”类的分类器，组成分类网络方法来定位感兴趣区域，接着运用SVM二叉决策树对感兴趣区域中的目标分类识别。与两类分类器相比，子类分类的方法训练速度快，并且具有较高的分类准确率。将其应用到缺乏先验信息的飞机检测中取得了很好的效果。