遥感图像中典型目标的检测、识别是当前目标检测与识别的重要课题,其中车辆识别作为一类目标识别,在交通管理、车辆救援方面都具有重要意义。在沙漠车辆救援中,由于以下三个原因,传统车辆识别算法难以满足沙漠车辆识别需求：首先是航拍图像分辨率低,背景复杂,无法满足传统车辆识别算法对图像分辨率或背景的要求；其次是车辆目标小,分辨率低、特征信息少,无法提取传统车辆识别所需的模型信息、车窗信息等特征信息；最后是背景中干扰因素(植被、丘陵)多,目标区域难以分割。因而传统识别算法在沙漠车辆识别中识别率低、虚警率高,难以满足救援要求。针对以上问题,本文的研究涵盖了沙漠车辆识别的整个过程,包括图像预处理、候选区域分割、车辆区域识别等。本文结合沙漠图像空间域和频域信息构建沙漠车辆识别算法,相比其他优秀算法,本文算法取得更好识别效果。之后,本文对提出的模型进行了进一步改进。论文的主要工作与贡献包含以下几点：1.提出了一种基于注意力选择模型的沙漠车辆检测算法。本文将注意力选择机制引入沙漠车辆检测,利用显著图减少车辆搜索范围。根据沙漠特点,本文在四元数注意力选择模型中构建了抑制黄色信息的背景自适应通道,并利用双线性变换提升显著图计算效率。实验表明模型计算速度快,显著图车辆显著性高,利于实现沙漠车辆的快速检测。2.提出了一种高识别率、低虚警率的沙漠车辆识别算法。本文将单位连接脉冲耦合神经网络的单位神经元与显著图像素点对应,将像素灰度值作为神经元输入,利用脉冲传播特性实现图像去噪、分割和提取。之后,提取各候选区域的尺度不变特征向量并结合多层回归树进行分类,最终完成沙漠车辆识别。实验表明车辆识别率高,虚警率低,优于对比算法。3.提出了两种具有可监督学习能力的注意力选择模型。本文将先验知识引入原有四元数注意力选择模型,使得注意力选择模型具备可监督学习能力。之后本文利用最小二乘和支撑向量机法两种算法分别将人工干预后的显著图作为教师对模型进行训练。通过实验表明,改进后的模型车辆显著性明显,背景抗噪能力强,较之前模型性能有进一步提升。改进之后的模型还可扩展用于海洋目标识别等场景。