随着遥感技术的飞速发展,利用卫星遥感和航空遥感等方式实时获取的地物图像为人类认识整个地球表面的地貌、地况提供了可靠、高效的数据保障。因此,对遥感图像预处理与分析方法进行研究具有重要的理论意义和实际应用价值。本文在前人工作的基础上,深入研究了目前遥感图像预处理与分析领域中涉及的若干关键技术,包括遥感图像增强、遥感图像分割与边缘提取、遥感图像匹配以及遥感图像融合,主要工作如下:首先,研究了一种基于人工蜂群优化的无下采样Shearlet变换(Non-subsampled Shearlet Transform,NSST)域引导滤波遥感图像增强方法。先利用NSST将遥感图像分解成高频分量与低频分量,对遥感图像的高频分量进行非线性增益函数变换,在增强边缘及细节的同时抑制噪声;再通过引导滤波增强低频分量,避免引导滤波在增强过程中易造成噪声放大的问题;最后,由处理后的高频分量和低频分量重构出增强后的遥感图像。考虑到引导滤波中的盒滤波半径与正则化参数对增强结果有较大影响,采用了人工蜂群优化算法搜索其最佳值,确保增强结果达到最优。大量实验结果表明,该方法在改善遥感图像主观视觉效果以及提高遥感图像清晰度、对比度等方面表现出色,与近年来提出的4种增强方法相比有明显优势。然后,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像河流分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出基于人工蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量实验结果表明,所提出的分割方法无需设置初始条件,运行速度快,分割精度高。其次,实现了一种基于NSST模极大值和改进数学形态学的遥感图像目标边缘提取方法。首先采用NSST将遥感图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量;然后结合不同分解程度下边缘像素点处的系数关系,对高频分量的各个子带进行模极大值检测,再经过双层掩膜筛选后得到高频边缘提取结果;对低频分量采用改进的数学形态学方法得到低频边缘提取结果;最后将上述两部分进行融合,使用区域连通方法去除孤立点,得到最终的目标边缘图像。大量实验结果表明,与Canny方法以及近年来提出的同类边缘提取方法相比,该方法所得边缘定位准确、完整清晰、细节丰富,且抗噪能力强。再次,提出了一种基于小波域布谷鸟搜索和Krawtchouk矩不变量的遥感图像匹配方法。先分别对基准图像和待匹配图像进行小波变换;再对两幅遥感图像分解后高尺度下的低频分量进行粗匹配;最后根据粗匹配结果反演至低尺度下的低频分量,逐层求精,完成遥感图像的精匹配。在匹配过程中,以Krawtchouk矩不变量作为匹配特征,以布谷鸟算法作为智能优化策略搜寻最佳匹配点,最终实现遥感图像的匹配。大量实验结果表明,与其它4种常见的图像匹配方法相比,该方法表现出在匹配精度和速度上的优势,且可以抵抗噪声和一定旋转角度的变化。最后,提出了一种利用基于图的视觉显著(Graph Based Visual Saliency,GBVS)模型和引导滤波的遥感图像融合方法。首先对多光谱图像进行亮度-色度-饱和度(Intensity Hue Saturation,IHS)变换,得到I分量,并利用均值滤波提取I分量、全色图像的平滑图像和细节图像;然后,利用简化GBVS模型对I分量和全色图像进行显著图比较,分别得到两种图像的初始权重图;再采用引导滤波优化初始权重图,获取两种图像的平滑权重图和细节权重图,并依据上述权重图分别融合两种图像的平滑信息和细节信息;最后对融合后的平滑图像和细节图像进行加权融合得到新的亮度分量,经IHS逆变换后得到最终的融合结果。大量实验结果表明,与基于IHS变换以及4种近年提出的遥感图像融合方法相比,该方法所得到的融合结果同时具有最丰富的空间信息和最优的光谱质量,在主观视觉效果及空间频率、相关系数等客观定量评价指标上均优于其它方法,且运行时间大大减少。