随着遥感数据获取技术的不断发展,对基于机载、星载等平台获取的大视场遥感图像进行建筑区检测的技术,在国民经济、军用以及反恐领域都有着十分迫切的需求,相关研究也已经成为遥感数据应用的热门课题。由于遥感大视场图像中的建筑物区域没有较为固定的描述特征,且目标稀疏分布,导致郊外大视场建筑区检测的相关技术实用化发展相对滞后。通过分析发现,虽然大视场遥感图像场景复杂,但是建筑目标区所占比例相对较小,图像中的大面积区域为非目标区域,现有的一些算法没有充分利用该特点,采取有效的候选区筛选策略,而是直接对全图遍历进行建筑区检测,不仅计算量大,检测效果也并不理想。其次,由于遥感图像中建筑区为分布式目标,且建筑区中的单体建筑数量及分布差异大,导致现有的局部描述子类以及基于严格空间拓扑关系类算法很难适应此类分布式目标的检测。此外,郊外建筑区自身形态各异、类内差异较大,现有的检测算法抗类内形变能力有限,且易造成漏检等情况。针对上述问题,本文提出了一种基于关键部位关联辨识的遥感建筑区检测技术,重点研究了建筑区关键结构提取,方位多结构模式匹配模型,以及基于方位-结构形变适应性模型的鉴别三项关键技术;并基于此构建了一套大视场郊外建筑区检测的软件系统。论文主要工作可总结为以下几方面:首先,本文提出一种大视场遥感图像建筑区关键结构提取技术。通过对大量遥感数据的分析发现,遥感图像中建筑区相较于背景区域面积较小,鉴于此,本文首先提出基于深度学习网络Mask-RCNN的大视场建筑区初步筛选策略,快速地从图像中分割提取出初步筛选区。接下来对提取到的初步筛选区域应用LSD线段检测技术,以快速获取初步筛选区内的所有直线段。由于光线以及遮挡等问题,大部分建筑物的屋顶并非呈现标准的矩形形状,但通常都存在近似平行的直线段,本文在直线段提取的基础上,提出一种基于屋顶平行结构的建筑区关键结构提取技术,以减少因光线、遮挡等原因而导致的漏检等情况,进一步提高算法的检测率。其次,本文构建了方位多结构模式匹配模型。首先采用建筑区关键结构的基元描述策略,该策略可有效的提高算法的抗类内形变能力。接着,通过拓扑构型的数据增广以及典型拓扑构型类别生成等相关策略构建了拓扑构型集合,该集合内所有的基元构型均是来自郊外建筑物的真实排布,更符合建筑物的排布规律。最后实现基于拓扑构型集合的方位多结构模式匹配模型,更好的适应郊外建筑区的检测。再次,本文设计了基于方位-结构形变适应性模型的候选区鉴别方法。由于大视场郊外建筑区内的建筑物通常呈现稀疏分布的特点,因此本文设计了具有形变适应性能力的候选区鉴别模型。对于每个提取到的拓扑构型,通过计算构型中各单基元与标准基元间的位置型变量,以及构型中所有基元的累加位置型变量,提出了抗形变准则来判定建筑区。该准则通过判断提取到的拓扑构型是否满足大视场建筑物的一般排布规律,实现对拓扑构型的精准鉴别,进而提高整体算法对分布式建筑物的检测鉴别能力。最后,在以上三项关键技术的基础上,本文构建了一套完整的大视场遥感图像郊外建筑区检测软件系统。实现了对复杂遥感图像中郊外建筑区的快速、精准检测鉴别。本文在一般构型和复杂构型两类光学遥感图像数据的支持下,通过多层次、多角度的对比实验手段,对本文所研究的关键技术以及算法的整体框架进行了验证和分析。