随着各国航空航天技术和传感器技术的飞速发展,人类可获取的遥感影像数据规模不断增大,影像质量不断增强。相比传统的低分辨率遥感影像,高分辨率遥感影像背景布局复杂,能够表达更多地纹理结构和空间布局等精细信息。高分辨率遥感影像中典型的地物目标为飞机、舰船和建筑等,这些目标颜色、形状等外观不尽相同,且具有方向和位置变化大等特点。高分辨率遥感影像目标检测广泛应用于军事监测,资源勘探等多个领域。如何对大数据量的高分辨率遥感影像进行目标检测已经成为遥感科学与技术领域的重要研究内容。基于此背景,为了更好地描述目标的结构信息从而检测目标,本文提出基于强监督的部件模型,它是一个多尺度多方向的混合部件模型。训练前,不但标注出训练集中目标的外接矩形,还标注出目标的每个部件的位置及其语义。训练时,首先基于改进的HOG解析特征对训练集中的图像建立多尺度图像特征金字塔,且基于目标部件标注信息采用最小生成树结构的方法初始化模型结构。其次,结合负样本挖掘算法和随机梯度下降算法,通过含有隐藏变量的Latent-SVM分类器训练出多个对应不同方向区域的子模型,每个子模型由一个根滤波器和多个两倍分辨率的部件滤波器,以及位置关系模型组成,多个子模型再合并成最终用来检测的混合模型。目标检测时,类似地建立多尺度特征金字塔,然后利用训练得到的混合模型在特征金字塔上结合动态规划和距离变换方法以滑动窗口匹配的方式计算响应得分,对分数设置阈值来获得检测结果,并采用常用的非极大值抑制算法优化检测结果。本文采用大量的高分辨率遥感影像数据集来验证模型的检测效果,分别分析不同部件对本文提出的强监督部件模型的贡献,部件个数、标注样本比例和子模型数量与本文模型性能的变化趋势;此外,为了直观地分析实验结果,从不同方向、复杂度等方面对比实验结果;最后同弱监督部件模型方法、HOG-SVM和Exemplars-SVM方法进行对比,实验表明本文的强监督部件模型方法在检测精度上达到了90.72%,比上述方法中表现最好的部件模型方法提高了接近5%,检测结果令人比较满意,同时通过选择不同方向和不同外观的测试样本集进行实验,也能够体现强监督部件模型对目标的旋转和类内变化具有较强的鲁棒性。