高分辨率遥感影像的突出特点是空间分辨率高，在高精度的卫星星历和姿态测量的支持下显著提高了定位精度，使以往只有航空遥感才可获取的高分辨率航片影像所能达到的空间定位精度可通过航天卫星遥感获得。但是由于不同的卫星影像需要不同的卫星成像空间模型，而且详细的卫星轨道、姿态等成像参数因商业或军事机密等原因难以获得，这使高分辨率遥感影像的快速、高精度的几何校正的实现受到限制，基于控制点的几何校正方法也因此成为重要的研究课题。　　 本文首先综合研究了各种成像模型，包括共线方程模型、改进多项式模型、基于仿射变换的严格模型和有理函数模型的算法基础，在此基础上总结分析了各种几何校正方法的适用性和优缺点；其次，针对各种几何校正模型对控制点的依赖性，本文重点分析了控制点对几何校正精度的影响，并从理论推证了非控制点处的精度跟控制点的精度之间的关系--任意点的精度受控制点精度的影响是以距离倒数为权重的：提出了一种判断控制点均匀分布程度的方法，设计了一种自动选择相对均匀分布控制点方案的技术，并从理论上证明了其可靠性；最后，针对当前几何校正模型解算的复杂性和对控制点依赖程度高等不足提出了神经网络和遗传算法进行几何校正的方法。　　 本文实验表明：　　 1.在相同的控制点和已有数据条件下，有理函数模型精度最高，可达子像素级，模型计算速度虽然相对其他算法稍慢一点，但完全可以应用于实践中；仿射变换模型可以快速、高精度的实现高分辨率影像的几何校正；改进型多项式模型计算量小，控制点数量要求不多，精度随多项式的阶数发生变化，当地形变化跟多项式函数走向变化一致时可以获得较高的精度。　　 2.在具有一定数量的控制点作为训练样本的条件下，应用BP和RBF神经网络进行遥感影像几何校正，可以达到比共线方程模型更高的精度；并且，神经网络模型能够自动抑制控制点中含误差较大点的影响，在实际应用中可以提高几何校正效率；本文尝试利用遗传算法来优化神经网络性能并进行了试验研究，实验结果表明遗传算法优化权值的神经网络用于几何校正可以在一定程度上提高精度，但是以降低效率为代价的。此外，神经网络方法由于其理论上尚不完善，在建立网络模型时还有一些不确定性因素，比如如何最佳的设置网络层数和根据控制点情况设置神经元个数等，在实际应用中也带来了一定的效率问题。