随着遥感技术的发展，高分辨率遥感图像已广泛用于军事和民用领域各种应用，如飞机、军舰等重要的目标识别。本文针对光学遥感图像目标识别进行研究，从特征提取分类，对目标识别进行系统研究和改进，主要研究工作如下：
　　首先对局部不变特征进行了详细阐述，由于局部不变特征具有可重复性、区分性、局部性等特点，对其在光学遥感图像目标识别技术的工程应用展开研究。其中具有代表性的有基于线性尺度空间的SIFT、SURF算法以及基于非线性尺度空间的KAZE算法。
　　其次，针对遥感图像复杂背景对识别的影响，导致特征点鲁棒性低、目标匹配识别不准确的问题。本文提出基于区域限定（Region-Limited）对特征检测的过程进行改进。采用Grabcut分割将特征检测范围限定在感兴趣目标区域，再利用Hessian矩阵进行特征检测。实验结果表明，在区域限定的基础上检测的特征匹配识别的准确率平均提升14%，算法识别耗时降低了约20%，能够较好的满足工程应用需求。
　　最后本文提出了基于D-LDB改进的KAZE算法。采用降采样的局部差分二进制（D-LDB）特征描述方法对原有的描述方法计算复杂的问题进行改进。在确定了特征点的主方向后，将特征点邻域范围划分成n?n网格，以该特征点所在的尺度参数作为步长对每个网格进行降采样。随后计算降采样像素点的灰度均值以及水平垂直方向的梯度，每个网格就由三种信息描述。最后将特征点邻域内所有网格的信息向量相互进行二值比对，所有网格的比对结果组合起来构成特征点的特征向量。实验结果表明本文改进的算法在遥感图像目标识别的运算效率上有较大提升。