随着传感器技术的不断发展,高分辨遥感影像带来了更加丰富的空间细节信息,基于高分辨率遥感影像的建筑物检测在城市规划等领域中发挥着关键作用,同时基于震后遥感影像的倒塌建筑物检测有助于摆脱对震前数据的依赖,对及时开展应急响应具有重要的意义。目前基于高分遥感影像的建筑物检测主要分为城市场景中的建筑物检测与震后场景中的倒塌建筑物检测。前者基于形态学属性剖面的方法通过对建筑物多属性、多尺度的精细刻画,在缺乏海量训练样本条件下展现出良好的性能,但需要突破属性尺度合理选择及属性间证据冲突的制约才能够建立可靠的非监督检测模型。后者摆脱对震前参考信息的依赖,但忽略了高程信息的不易获取或缺失带来的挑战。为此,本文分别针对高分遥感影像的建筑物检测及倒塌建筑物识别方法展开研究,具体内容如下:（1）在城市场景下的建筑物检测方法中,提出了一种基于形态学属性剖面联合优化与融合的建筑物检测方法。首先,通过影像分割及一组判别规则提取候选建筑物对象集合;其次,通过遗传算法对差分属性剖面进行筛选,提出一种自适应交叉概率遗传算法筛选差分属性剖面（Adaptive Cross-probability Genetic Algorithm-Differential Attribute Profiles,ACGA-DAPs）以提取潜在建筑物像素;在此基础上,通过构建新颖的建筑物指数（Statistics Space Building Index,SSBI）,提出一种非监督的决策融合框架,最终实现了建筑物的自动化检测。所提出方法在多组不同地区、不同传感器的高分遥感影像实验中均表现出了优异的性能,其总体精度可到达91.9%以上。（2）在震后场景下的倒塌建筑物检测方法中,通过挖掘多源数据中传统底层视觉与双回波特征的互补信息,提出了一种联合震后高分光学与SAR影像的倒塌建筑物检测方法。首先,提出了一种基于对象内接圆圆心的光学—SAR对象集合提取策略（Optical＆SAR Object set extraction based on Inscribed Center,OSOIC）,以提取光学-SAR统一地理对象集合;在此基础上,设计了一种双回波中倒塌语义知识的定量表示方法（Quantitative Representation of Collapse Semantic knowledge in Double bounces,QRCSD）,从而跨越了双回波与建筑物倒塌特征之间的语义鸿沟,并与此同时,基于高分遥感影像建筑物检测方法中所提出的ACGA-MAPs提取光学和SAR影像的底层视觉特征,并联合双回波特征构成特征空间;最后,提出了一种类别不确定性指标（Category Uncertainty Index,CUI）选择更具代表性的样本从而改进主动学习SVMs,最终实现倒塌建筑物检测。通过对多组震后多源影像进行实验,结果表明所提出方法的总体精度及倒塌建筑物检测精度最高可达82.39%和75.47%以上,显著优于多种先进的对比方法。