目前,由于遥感影像可以实时客观的获取地表覆盖信息,因而在社会生产的多个方面都用到了该领域相关技术。在对遥感影像进行处理分析的过程中,实现人工地物信息的自动检测一直是相关的研究重点。近年来,基于遥感数据的人工地物自动检测已经广泛应用到城市规划、灾害评估、变化检测以及地图更新等多个方面,但是由于受到分辨率和复杂场景的影响,自动人工地物检测工作的难度仍然较大。本文以高分辨率遥感影像为研究对象,将人工地物检测看作是流形结构上的排序问题,提出了一种基于图模型和流形排序的人工地物检测算法。首先,利用对比度和对称性特征检测得到影像中人工地物初值区域。将量子遗传算法和KSW熵分割算法相结合,从而快速的满足对比度特征提取要求。根据人工地物一般呈现对称形态的特点,通过将超像素作为可变形圆盘代替传统对称性检测中的极大圆盘,获得遥感影像中的对称性初值区域。通过加权平均图像融合的方法将获得的对比度初值区域和对称性初值区域相结合从而得到初始人工地物检测结果。然后,构建图模型来模拟数据的流形结构,并以超像素作为图中节点降低运算复杂度,将目标检测转换为无向图能量最小的最优切割问题。通过选取色调、纹理、主方向等多种特征判断邻接节点相似度,充分考虑影像中的局部空间邻域信息。最后,利用流形排序算法优化人工地物初值区域,并综合利用图模型确定出图像中标记与未标记节点间相关性,以此来排序未标记节点,从而得到整幅影像每个像素作为人工地物的概率,实现遥感影像自动人工地物检测。本文选择图模型和流形排序算法对人工地物初值区域进行优化主要是为了充分考虑遥感影像中的邻接关系,利用图模型中的相邻节点依次传递类别值。由于空间相关性在人工地物的分布形态中表现的十分明显,因此本文充分利用该特征对初始检测区域进行完善改进,使最终的检测结果更加具有可靠性。在UC Merced Land Use Dataset和航空影像中对本文提出的算法进行实验,所得结果表明本算法可以较好的满足高分辨率遥感影像人工地物检测相关要求,且精度较高。