无人机遥感(Unmanned Aerial Vehicle Remote Sensing,UAVRS)技术是无人机应用与遥感技术的结合，具有高时效性、高分辨率等性能特点。作为航空遥感及高分辨率遥感的重点发展方向之一，无人机遥感在灾害应急等领域具有卫星航天遥感、载人航空摄影等大型对地观测系统无法替代的优势，已成为国内外研究的热点。　　为满足无人机遥感系统准确、实时等技术要求，实现无人机飞行质量的快速检查以及遥感影像数据快速处理，迫切需要研究实时快速的无人机影像拼接算法。同时，无人机影像分辨率高、几何畸变大、空间计算复杂性高，给无人机影像信息精确提取带来了新的难题。基于此，论文将改进的SURF算法与SVM算法应用于无人机影像的快速拼接与信息精确提取中，主要研究成果如下：　　1.基于改进SURF的无人机影像快速拼接算法　　基于SURF算法的影像拼接过程中，矢量主方向的确定是特征向量提取与匹配的先决条件，而SURF算法在确定矢量主方向时严重依赖于其划分区域像素的梯度方向，导致主方向难以确定，从而检出大量不稳定的特征点，使得计算复杂度提高，拼接速度下降。论文利用随机抽样一致性(Random Sample Consensus，RANSAC)算法对SURF特征匹配算法进行改进。改进的算法可以提纯粗略提取的特征点，剔除错误特征点，使得图像拼接效率提高。通过对实验一区无人机影像数据进行快速拼接实验，结果表明改进的SURF算法能够在保证拼接效果的同时有效提高无人机影像拼接效率。　　2.基于AdaBoost改进SVM算法的无人机影像信息精确提取　　SVM算法的性能依赖相应参数选择，以选择径向基函数(Radial Basis Function,RBF)作为核函数为例，核参数?和惩罚因子C的改变决定着 VM算法的分类性能，进而影响信息提取的效果。论文基于AdaBoost对SVM算法进行改进，选择RBFSVM作为AdaBoost的弱分类器，通过权重调整来改进SVM算法中固定使用某一核参数的处理方法，达到自适应调整参数的目的。通过对实验一区和实验二区无人机影像数据进行信息提取实验和精度对比分析，结果表明改进的SVM算法极大地提高了无人机影像信息提取的精确度。　　3.基于Diverse AdaBoost改进SVM算法的无人机影像信息精确提取　　基于AdaBoost改进SVM算法存在弱分类器的准确度与复杂度平衡问题，单纯追求过高精度的弱分类器而忽视其复杂度，不仅影响弱分类器间的相容性，而且会造成算法的分类性能不稳定。在基于AdaBoost改进SVM算法的基础上，论文提出基于Diverse AdaBoost的改进SVM算法，引入复杂度，用来衡量弱分类器之间的相容性，既解决RBFSVM弱分类器使用固定核参数值的问题，也可以处理精确度与复杂度之间的平衡问题。通过对实验一区和实验二区无人机影像数据进行信息提取实验和精度对比分析，结果表明改进的SVM算法在保证无人机影像信息提取精确度的同时也有效地提高了算法稳定性。