随着图像空间分辨率不断提高，基于高分辨率光学遥感图像的小目标检测技术越来越得到青睐和关注。高分辨率光学遥感图像具有空间分辨率高、覆盖范围广、获取方式便捷的特点，图像中的目标保留了丰富的颜色和纹理特征，因此可以广泛应用于诸多领域，如军事领域、道路规划与交通监管、智慧城市建设、环境监测、农业生产监管、抗震救灾等。在多数应用领域中，目标检测是一个重要的任务。特别地，在军事领域、道路规划与交通监管领域、智慧城市建设等领域，飞机、舰船和汽车等小目标的检测是其中的关键基本任务，高效的小目标检测技术具有重大意义。基于高分辨率光学遥感图像小目标检测技术的研究已经取得了重大的进展。然而，现有的高分辨率光学遥感图像小目标检测技术仍然存在以下几个问题:(1)缺乏自适应生成有意义训练样本的策略，训练样本的生成比较盲目;(2)滑动检测策略比较低效;(3)缺乏对构建小型完备训练样本子集的研究，训练样本子集的训练效果鲁棒性差;(4)检测精度不高;(5)目标特征表示不够鲁棒。本文针对高分辨率光学遥感图像小目标检测所面临的科学和算法问题，主要围绕以下三个内容进行研究:　　首先，针对现有方法在训练样本生成时比较盲目以及在检测时缺乏高效的滑动策略，提出了一个综合考虑空间、颜色以及邻域统计概率信息的超像素分割算法。所提方法的分割具有速度快，边缘保留度高，稳定（较低的分割断裂率）的优点。基于该超像素分割算法生成的训练样本，保留了局部的结构信息，具有局部结构意义。在检测时，首先将测试图像通过该超像素分割算法分割成超像素块，之后基于超像素块中心进行滑动扫描，大大提高了检测效率和精度。　　其次，针对高分辨率光学遥感图像小目标检测算法普遍缺乏对构建小型完备训练样本子集的研究以及检测精度不高的问题，提出了一个基于面向稀疏表示的样本迭代选择的高分辨率光学遥感图像车辆检测框架。该框架在训练阶段的训练样本生成以及检测阶段的滑动扫描时，均是基于本文提出的高分辨率光学遥感图像超像素分割算法。为了从大量样本中选取最有效最鲁棒的小型完备训练样本子集，提出了基于稀疏表示的训练样本迭代选择算法。该框架提取所构建训练样本子集中样本的HOG特征作为输入信号训练一个稀疏表示字典用于车辆检测。为了减少方向所带来的计算量，提出了样本主方向估计方法，使得训练和检测不用再考虑样本方向的问题。　　最后，针对单字典稀疏表示计算复杂度较高以及目标特征表示不够鲁棒的问题，提出了基于多子字典稀疏表示快速分类算法的高分辨率光学遥感图像车辆检测框架。该框架通过聚类的方法，将原来用于训练单个字典的训练样本子集分成多个子类，训练一组包含多个稀疏表示子字典的集合，并基于该组子字典集实现车辆的快速分类。该框架使用了一个多阶特征（包括目标的纹理特征、基于颜色命名的颜色信息、高阶上下文信息）用于描述目标，因此具有较好的鲁棒性。为了配合该框架构建一个小型的完备训练样本子集，提出了基于多子字典稀疏表示分类技术的训练样本迭代算法。　　本文在一些公开数据集以及本人制作的高分辨率光学航拍图像数据集上对所提出的三个创新点的效果和性能进行了测试与定量分析。实验结果表明，本文所提出的光学遥感图像超像素分割算法能有效地解决训练样本生成盲目和滑动检测效率低下的问题，本文所提出的高分辨率光学遥感图像小目标检测算法能取得高效、高精度、高鲁棒性的检测性能，与现有其他检测算法的对比结果同样表明了本文所提出的高分辨率光学遥感图像小目标检测算法的优越性。在测试数据集上，本文提出的方法能在70％的召回率条件下获得88％的检测精度。本博士课题的研究为高分辨率光学遥感图像小目标检测算法的研究起到了重要的推动作用。