随着卫星技术的不断发展,遥感影像数量急剧增加,如何更好地推进遥感影像的应用研究与技术进步,已成为学术界与应用部门关注的热门领域。遥感图像以其数据量大、目标物尺寸小、背景复杂等特点,在大尺度的遥感数据集中进行目标检测与图像检索一直是研究的重点。针对上述目标检测与图像检索等任务,一些传统的研究方法存在算法时间复杂度与机器内存占用高等问题。本文将在相关的理论与算法研究中,引入哈希技术,利用其低存储、高效率等在大数据学习中的优势,生成紧致的哈希码,以提升遥感图像目标检测与图像检索的精度与效率。本文的主要创新工作包括:（1）提出了一种基于仿射不变离散哈希的遥感图像多目标分类方法,解决因遥感图像成像产生仿射变换而影响分类精度的问题。仿射不变离散哈希（AIDH）方法采用高效的监督离散哈希框架,结合仿射不变优化因子,构造AIDH模型,通过将具有相同语义信息的仿射变换样本约束到相似的二值码空间,实现分类精度的提升。在NWPU VHR-10和RSOD-dataset两个数据集上的实验表明,与经典的哈希学习方法与分类方法相比,AIDH方法的精度与效率都得到了保证,为后续的目标检测奠定了基础。（2）提出了一种基于仿射不变离散哈希的遥感图像快速目标检测方法。利用AIDH在多目标分类上的优势,采用难例挖掘（HNM）方法生成更有效的负样本集（背景类）;并在新的由正、负样本组成的训练集下,使用AIDH二次学习生成更有效的哈希学习机;以“选择性搜索”（Selective Search）结果作为分类测试样本,检测出图像中目标及其类别信息;最后,采用支持向量机（SVM）和非极大值抑制（NMS）方法过滤掉少量非目标框和冗余目标框,获得最终的目标检测结果。实验验证了本文方法在目标检测工作的有效性。（3）提出了一种结合仿射不变离散哈希与条件随机场的模型（AIDH-CRF）,实现了遥感图像目标的精确检测。为了更好地利用空间信息,进一步提升目标检测精度,首先对遥感图像进行超像素分割,构建适用于CRF的以超像素块为顶点的无向图结构;以超像素块作为测试样本,AIDH分类方法作为CRF的一元势函数,生成初始类别标签;采用Potts模型构建CRF的二元势函数进行标签的再学习,平滑目标邻域信息,实现目标的精检测。此外,使用基于凸壳边界的方法生成最小外接目标框作为后处理方法,生成最终的目标检测结果。实验表明,本文方法在目标检测的精度和效率上取得了较好的平衡。（4）提出了一种基于低秩超图哈希的遥感图像检索方法。低秩超图哈希（LHH）使用l2-1范数约束投影矩阵以减少特征间噪声和冗余信息,并用低秩表示挖掘投影矩阵中的全局结构;利用超图在捕捉数据间高阶关系能力的优势,进一步探索遥感图像复杂结构;最后,采用迭代算法生成高质量的哈希码,并在收敛性理论保证下有效解决了优化问题。通过在公开的3个遥感图像数据集以及1个自然图像数据集上的实验表明,与相关的其它哈希学习方法相比,本文所提方法取得了更优异的检索性能。