近年来，人们能方便地获取到大量高空间、高光谱分辨率和不同传感器类型的遥感图像，同时图像获取时间及间隔所受到的影响逐渐减小。由于这些图像数据能清晰地反映出与人们生活最密切的城区中的景象，因此高分辨率卫星图像在许多应用领域中受到了人们的广泛关注，如地理信息系统(GIS，GeographicInformationSystem)的制作与更新，灾害分析、城区发展规划以及城市地理导航等领域。分辨率的变化使得现有一些针对中低分辨率图像的算法不能直接用于高分辨率图像。因此，对信息丰富的高分辨率图像的处理技术，如提取地面目标、分析地面目标变化，成为目前图像处理和模式识别领域中的一个热点问题，具有很强的挑战性。本文主要针对城区中建筑物的提取和变化检测展开研究工作。研究中使用了“QuickBird”卫星的高分辨率图像数据和GIS数据。本文工作及贡献主要包括下面三个部分：　　 1)提出了一种基于分割的建筑物提取算法。在分析了图像中建筑物光谱和几何形状上的特点后，提出了一种简单有效的建筑物模型，适用于大多数的建筑物；提出了一种根据分割结果的几何形状特性来确定最优分割阈值的方案，实现了分割算法阈值自动选取。实验证明算法能检测出图像中的大多数建筑物。　　 2)提出了一种基于贝叶斯网络模型的建筑物提取算法。本章提出了一个结合分割以及区域融合筛选的建筑物提取框架并构建了一个建筑物贝叶斯网络模型，可以利用建筑物在图像中的不同特征计算区域属于建筑物的概率。算法使用分割算法从图像中提取候选的建筑物屋顶区域，然后采用区域融合和筛选的方式从这些结果中提取出最后建筑物区域。实验结果表明该算法能有效地完成对大部分建筑物的提取。　　 3)提出了一种基于分类的GIS数据和图像之间的变化检测算法。通过分类的算法来完成GIS数据和图像中建筑物变化检测。该算法不需要对图像进行目标提取，只需要从图像提取一些相关特征，从而降低了计算量，这对于大批量数据的处理是十分有利的。另外，通过GIS数据提供的一些先验信息，可以在分类前对参数进行学习，因此该算法能更准确的发现变化。