遥感成像技术的迅猛发展催生了大量的遥感图像的产生。以车辆检测为代表的遥感图像目标检测在公共安全、智能交通、城市规划等领域具有研究价值。大规模卫星图像中的标注信息不足、表观特征不明显、噪声干扰等因素严重影响了对于当前计算机视觉主流车辆检测算法的直接应用,导致了直接训练鲁棒的卫星图像车辆检测器面临监督信息不足的挑战。本文主要研究基于高分辨率航摄图像进行高效自动的车辆目标检测,并将分类器迁移应用于低分辨率的卫星图像实现车辆检测。研究的主要内容包括以下三个方面:(1)针对卫星图像表观特征不明显的问题,本文引入基于随机森林的超分辨率重建算法对卫星图像进行特征增强、表观重构。对于背景复杂的卫星图像,基于随机森林的超分辨率重建算法将传统的稀疏编码方法以及锚邻域回归(ANR)转化为一个局部线性回归问题求解。(2)针对卫星图像噪声干扰问题,本文引入基于深度学习GoogLeNet模型,构建航拍图像车辆鲁棒检测模型。通过对训练数据引入上下文场景,使得深度学习网络更适合对背景复杂的航拍图像实现车辆检测。(3)结合以上两点,本文提出了基于超分辨率迁移学习的遥感图像车辆检测一体化框架算法。该框架分为离线部分对航摄图像进行鲁棒检测模型的训练,以及在线部分对输入的高分辨率卫星图像的超分辨率重建,并对重建结果输入深度卷度网络GoogLeNet实现最终的车辆检测。实现了将目标领域难以解决的问题迁移至源领域进行解决。实验证明,与直接在卫星图像上训练模型进行车辆检测相比,在该检框架下经过超分辨率重建后的检测效果会有较好的提升。