高分辨率遥感影像中的阴影主要是高大建筑物、树木、山脉等对太阳光线的遮挡，在相应位置的影像内产生较暗的区域，阴影区域内的地物在遥感影像上表现为信息量较少，难以判读。阴影的存在，一方面给图像处理操作如特征提取、图像匹配、图像检索、图像分割等带来很多困难，使图像分类精度得不到保证，目标变化检测以及定位的准确度受到很大影响，严重时甚至产生错误结果；另一方面利用高分辨率遥感影像的阴影可以很好的提取建筑物的三维信息，是当前获取三维信息的一条有效途径，具有非常重要的军事价值和意义。所以非常有必要对遥感影像中的阴影进行预处理。阴影检测是阴影处理重要的步骤之一，提高阴影检测精度对后续的遥感影像处理具有重要作用。　　 本文对典型的遥感影像阴影检测方法进行了总结，分析了这些方法的优缺点及其限制条件。基于阴影区域具有的颜色特性和纹理特性，提出了两种新的阴影检测方法。本文主要的工作和贡献有以下几点：　　 1.对阴影区域具有的性质进行了详细的分析，总结了典型阴影检测方法，对每一种方法的原理、特点和优缺点进行了分析；　　 2.提出了在HSI空间中基于密切关系传播算法(Affinity Propagation,AP)的高分辨率遥感影像阴影检测方法。结合阴影区域在HSI空间所具有的色调值大、饱和度高和亮度低的特性，将阴影检测视为分类的过程，分为阴影和非阴影两类，AP算法作为一种新型聚类算法，不依赖初始聚类中心的选择，聚类精度高，结果稳定。采用了分块聚类解决了AP算法在处理大量数据点时，无法在有限的计算空间上进行计算的问题，实验结果表明该方法较好地克服了阈值分割法、K-Means聚类法中存在的错检漏检的缺点，提高了阴影的检测精度。　　 3.为了提高阴影检测精度，提出了一种将基于径向基函数神经网络组成的混合模型应用于高分辨率遥感影像阴影检测的方法。将灰度共生矩阵中的能量、熵、对比度和逆差矩四种统计特征作为混合模型的输入特征矢量，采用类期望-最大化算法进行参数估计，从而构建阴影检测器。对多幅带有浓厚阴影的遥感影像进行实验，实验结果明显优于传统的高斯背景法和直方图阈值法，能够较好的解决强反射性地物漏检和水体错检的问题，克服以前需要反复试验选取阈值的缺点，提高了检测的自动化程度。