最近几年，越来越多的商业高分辨率光学卫星图像的出现，给人们带来了新的机遇与挑战。一方面，这些数据能够极大的扩展已有技术的应用范围——比如制图学、城市发展规划与监测；另一方面，人们需要寻找更有效的自动处理方法来提取这些数据中的有用信息。 中分辨率图像的处理主要关注于图像的分类问题，而高分辨率图像的处理则转变为以物体识别为主要任务。对于城市区域的高分辨率卫星图像来说，考虑到分辨率和识别度等因素，道路和建筑物无疑是最重要的人造物体。 目前我们的研究工作是在863项目背景下展开的，这个项目的主要目的为快速数字地图自动更新研究开发更有效的技术与方法。本硕士论文主要关注于如下两个问题：单幅高分辨率卫星图像的建筑物识别和两幅高分辨率卫星图像间的建筑物变化检测。本文在对以前遥感图像中物体提取与变化检测技术的分析和总结的基础上，结合项目的应用背景，以北京地区Quickbird高分辨率卫星图像为实验数据，围绕建筑物识别与建筑物变化检测进行了研究。本文主要工作及贡献总结如下： 1.提出了基于概率模型的建筑物轮廓识别算法(第三章) 我们通过定义一个概率密度函数并结合相应的特征来表示建筑物，在执行建筑物识别算法的过程中使用了我们提出的剪切-融合算法。通过不断检测建筑物候选轮廓，衡量它们的概率值，并使用融合算法对某些冲突的轮廓进行合并，以最大化候选轮廓的概率值，从而得到最终的建筑物轮廓。这种算法的优点是能够通过概率模型把建筑物的各个特征进行结合；同时这种算法不仅可以应用于建筑物，也可以应用于其它物体的识别。通过在大数据集上的实验，我们展示了算法的性能及其鲁棒性。 2.提出了基于轮廓提取的建筑物变化检测算法(第四章) 基于前一章的建筑物轮廓识别算法，我们提出了新的建筑物变化检测算法。这种算法的主要思想是把两幅图像中物体被检测到的概率和没有被检测到的概率的乘积，作为物体的变化概率。这种算法不需要图像的精确配准。我们在合成图像和真实图像上进行实验，展示了算法的效力。 3.基于DRF模型的结构物体变化检测算法(第五章) 为了避免第四章算法中轮廓提取这一主要步骤，我们对已有的DRF(DiscrimativeRandomField)模型进行了扩展。通过把物体的变化考虑为时间上的不连续性和空间上的连续性，新的DRF模型能够直接处理两幅图像间的变化，而不需要首先提取各个图像中的物体。我们在不同图像上进行了试验，展示了这种算法的潜力。