在无人机图像处理和计算机视觉领域中,从无人机图像中提取高精度、可靠性强的建筑物、道路、桥梁等其它人工地物信息具有重要的意义,简单线性迭代聚类算法(Simple linear iterative clustering,SLIC)被公认为是目前具有综合性能最为出色的一种超像素分割算法,但是SLIC算法在进行图像分割时,仍存在随机选取种子点、人为确定K值和分割结果中存在孤立小区域的问题,针对以上缺陷提出了一种结合快速密度峰值搜索算法的SLIC分割算法来对图像进行分割,并对分割后的图像进行孤立小区域处理,最后对处理后的图像进行特征提取并使用SVM支持向量机来进行无人机图像建筑物的识别。工作包括以下几个方面:(1)针对快速密度峰值搜索算法(Clustering by fast search and find of density peaks,CFSFDP)现有的不足,引入信息熵和min-max标准化对人为设定截断距离和利用决策图选取聚类中心进行改进,将改进的CFSFDP算法进行聚类结果和性能测试的比较,实验结果表明改进的CFSFDP算法比原始的CFSFDP算法的聚类效果更好,准确率更高。(2)将改进的CFSFDP算法和超像素优化合并函数结合到SLIC算法中,优化SLIC算法随机选取种子点和人为确定K值的不足,然后使用改进的SLIC算法进行图像分割,使用巴氏系数作为衡量标准对分割后的孤立小区域进行合并处理。(3)将分割后合并处理的图像进行特征提取,将纹理特征与颜色特征共同作为分类器的特征向量,使用SVM分类器进行分类,对无人机图像进行建筑物识别。