对于高分航空遥感图像的交通信息提取而言，对车辆目标的位置、朝向角和类别三要素的估计是开展后续一系列智能信息提取任务的基础和前提。对于现阶段常见的高分航空遥感图片而言，图像的尺度普遍在3K～4K之间，急剧增加的图像尺度一方面有助于提供更多有效的纹理细节，另外一方面也加剧了来自其他地物目标的干扰。此外，相比于整幅遥感图像而言，图像中实际车辆面积的占有比依然很小。所以，受到相对尺度小、朝向角不确定、干扰性地物众多等多方面因素的影响，上述车辆三要素的估计难度依然很高。　　本文作为一项城区警用无人机系统车辆检测功能模块的预研，关注点集中在两方面:一是计算量和计算复杂度问题，即如何在合理的计算量和计算时间范围内完成对高达4K的遥感图像的搜索;二则是改良现有的“先定位再分类”估计模式，减少该过程中位置和角度、位置和类别之间的相互干扰。由于各自算法设计要求和所使用实验数据性质上的差异，很多现有的面向通用目标或是遥感专有目标的检测方法并不能很好地解决以上两点问题，还需要进一步优化和改进才能符合本文的应用需求。对此，本研究以车辆显著性区域提取、车辆的联合位置角度估计、车辆的分类这三个主题作为切入点，结合车辆显著性特征设计、浅层和深度检测模型等相关理论方法，展开了以下方面的深入研究:　　(1)针对高分辨率航空遥感图像的画幅尺寸过大、处理时间过长和计算开销过高的问题，提出了一种借助同区域遥感参考图像来对当前航拍图像进行显著性区域检测的方法。由于高分航拍图像内容复杂、干扰性地物繁多，现有的车辆显著性区域提取方法往往依赖手工的范围限定，或是借助获取难度高的外部参考信息。本文利用同区域参考图像特征空间上的相似性，用参考图训练获得的显著性模型来处理当前航拍图，从而实现了无范围限制、相对准确的车辆存在区域估计。其中，为了获得更加稳定有效的显著性特征表示，本文使用了一种基于图像分割的内外环描述子提取图像对象属性，并配合以层级聚类为基本手段的非显著性特征编码方法，来检测并排除图像中高纯度的非车辆区域，实现了最优的显著性区域压缩效率。　　(2)为弥补单角度组合式分类器在位置、角度估计性能上的不足，提高各组合分类器角度类别之间的关联关系，提出了使用多角度检测器替代单角度检测器分组的设计方案。在该设计模式下，原本相对孤立的各角度关联关系得到了显著增强，而原单角度感知检测器中严重的正负样本不均衡情况也得以有效地缓解。在分组数量固定的前提下，为了能够最大限度地提升多类分类器对所分配角度组的区分性，本文以局部特征位置和朝向角之间的关联关系为出发点，为每个多类分类器分配与特定局部特征组相关性最强的角度子集，从而将易混淆角度有效地绑定在了一起，实现了组合式检测器总体定位和角度估计性能的显著提升。　　(3)针对车辆分类问题中的类别不均衡现象，提出一种具有优良代价收益性质的二分式网络扩展方法，并明显提升了原有网络在弱势类别上的分类性能。对于高分航空遥感中的车辆检测问题而言，首先其中过小的车辆目标尺度限制了可用于精细车辆分类的图像细节信息量，其次本身多样而互有交叉的车辆类型导致了异常的类间和类内差异、不均衡的类别样本数量分配，形成典型的类别不均衡现象，并影响了分类精确度。使用卷积神经网络作为车辆分类器，能够利用其鲁棒的表象模型极大地弥补特征信息量上的缺失，但对类别非均衡问题依然略显无力。基于卷积核的语义性纹理关联性，本文提出了一种基于网络扩展的类别非均衡问题应对方案。该方案利用一种新的类别显著性指标来筛选较低卷积层中的卷积核，并以一个单层的全连接层来扩充到原网络中，修正了原有的类别估计似然度，并极大地缩减了扩展中的卷积开销和连接开销。在最终的实验对比中，按照此方法扩展所得网络结构与具有相似规模的网络进行了对比，证明其能够以更小的扩展代价换取同水平甚至更好的分类提升效果，因而具有更高的代价收益比。　　通过上面一系列关键技术的研究，本文为基于高分航空遥感图像的交通信息提取系统提供了一系列可行解决方案的预研，具体领域涉及:大画幅处理效率问题，高效的位置和角度协同估计问题，密集排列下位置和类别准确配对问题，以及车辆分类中的非均衡问题。以公开的航空遥感数据集作为实验样本，本文所提出的相关的方案在贴近现实的测试环境中进行了有效性验证，为后续进一步向实用性算法系统集成提供了相应的研究基础。