随着对地观测技术的快速发展,无人机航拍和卫星对地观测为我们带来了海量的遥感数据和信息。如何从这些遥感影像中,提取出我们感兴趣的地物目标,一直是学者们研究的重点。在各类地物中,居民地因其重要性和多变性,成为了目标提取的热点。实现这一信息的准确提取,对于城市建设规划、土地利用调查、灾害评估和国防军事等领域具有重要意义。现有的居民地提取方法主要有四种：基于决策树模型的方法、基于知识发现模型的方法、基于统计模型的方法和面向对象的方法。这些方法使用起来都有其局限性：基于决策树模型的方法多依靠各波段亮度值对地物类型进行区分,遇到复杂地貌便会出现“错分”、“漏分”的现象;基于知识发现模型的方法对测绘人员先验知识要求较高,且研究范围多为特定区域,因此不具有通用性；基于统计模型的方法在处理影像中“同物异谱”或“异物同谱”现象时,无法准确进行区分；面向对象的方法对于高分辨率遥感影像中的居民地,因其差异较大且结构复杂,处理效果并不理想。均值漂移算法,是一种基于核密度梯度而非参数密度函数进行估计的算法,具有原理简单、运行效率高、抗噪性强等特点,目前主要用于图像分割。本文尝试将其引入遥感影像目标提取,采用“先分割、后分类、再提取”的方法实现了对特定信息(居民地和面状地物边线)的提取,主要研究内容和成果总结如下：(1)引入纹理参数优化了均值漂移算法,并对算法中涉及到的三个参数(空间带宽参数hs、色度带宽参数hr和纹理带宽参数ht)取不同值进行实验,对比分析实验结果发现,参数的取值给影像分割带来直接影响,对居民地提取具有重要意义。(2)提出了一种基于优化均值漂移算法提取遥感影像中居民地的方法,将其分别与统计分类模型中的马氏距离、最大似然估计和神经网络相结合,分别采用航空影像和卫星影像进行实验研究,再将实验结果与现有方法所得结果进行对比分析,发现新方法具有精度更高、速度更快、适用性更强的优点。(3)提出了基于优化均值漂移算法提取面状地物边线的方法,并对直接提取法做了两方面改进：与制图综合原理相结合,使其针对性更强;与地物影像特征中的形状特征和上下文特征相结合,使其准确度更高。