违章建筑物严重阻碍我国经济建设和社会发展。针对我国现有违章检测技术以人工为主、精度低、智能化程度低的现实问题,本文致力于研究定点监控下可疑违章建筑物自动识别关键技术,主要研究内容如下:（1）提出了一种基于多特征融合的变化差异描述算法。利用结构自相似SSIM和自适应颜色迁移算法,消除因天气变化造成的新旧时相图像中局部差异,生成像素差异图像;针对像素特征难以描述建筑物结构变化的问题,利用局部梯度差异算法,提取出新旧时相图像中建筑物结构变化,生成纹理差异图像;针对单一特征难以鲁棒地描述新旧时相图像中建筑物变化的问题,利用z-score归一化加权融合像素和纹理特征,生成融合后差异图像,为后续基于差异图像的变化区域提取算法提供有效输入。实验证明,本算法能有效地描述新旧时相图像中建筑物变化,并能较好地过滤由天气、植物等非建筑物的“伪变化”。（2）攻克了一种基于模糊空间MRF的变化区域提取算法。分析差异图像的灰度分布特点,利用改进的迭代式阈值算法,对差异图像进行初始分割,利用MRF更新迭代初始分割图像,解决提取出的部分建筑物变化区域呈现断裂的问题;利用FCM和新时相图像的颜色空间信息重定义传统MRF的空间能量函数,细化变化区域的边缘轮廓,解决不同物体的变化区域被合并的问题,为后续基于变化区域的建筑物识别方法提供可靠输入。实验证明,本改进算法能够有效地提取差异图像中建筑物的变化区域,正确率达到95.81%。（3）研究了一种融合深度学习的可疑违章建筑物识别方法。利用CNN的高维特征表达优势,提出了一种基于Res Net-152的建筑物识别方法,解决基于低层特征的建筑物识别方法难以处理建筑物被遮挡、建筑物的视角多样和建筑物结构复杂等场景的问题。实验证明,本方法能够有效地识别建筑物,在建筑物数据集上的识别率达到92.08%,在背景数据集上的识别率达到91.67%。针对违章建筑物识别存在特殊性,难以直接利用深度学习模型的问题,将前文所提算法与基于Res Net-152的建筑物识别方法相结合,提出了一种融合深度学习的可疑违章建筑物识别方法。实验表明,该算法可有效地识别出可疑违章建筑物,其中检测精度高达94.65%,误检率仅为3.59%。