航天遥感在国民经济建设、国防现代化建设和人类社会可持续发展中的作用越来越重要,以应用为导向、天地一体化的理念在遥感卫星系统的设计和制造中得到越来越充分的体现。遥感在努力追求更高光谱分辨率、空间光学分辨率和时间分辨率的同时,应用更具针对性的遥感小卫星也得到迅猛发展,人类获取的遥感图像数据与日俱增。虽然目前能够方便快捷地获取遥感图像数据,但人们处理大量数据的能力远远没有跟上获取数据的能力,导致人工分析和解译的难度越来越高。近年来,以大数据为基础的深度学习技术在计算机视觉领域打破了传统方法的局限,取得了突破性的进展,为解决光学遥感图像目标检测与识别实用化提供一种新的技术途径。因此,本文以深度卷积神经网络为新技术途径,面向遥感图像目标检测与识别这一具有挑战性的应用背景,研究基于深度学习的高分辨率光学遥感图像目标检测与识别技术。本文的主要工作如下:1.基于深度学习的遥感图像目标检测与识别基础理论概述。深度学习理论是研究遥感图像目标检测与识别技术的前提,所以本文对卷积神经网络的基本原理和技术细节进行详细分析介绍,主要包括网络模型、网络组成结构以及网络训练等,并对深度学习网络的性能优化方法和评价标准进行归纳总结。在此基础上对遥感图像的应用特点和深度学习适应性进行分析,为基于卷积神经网络遥感图像目标检测与识别研究奠定基础。2.面向目标检测与识别的深度学习网络模型分析。针对光学遥感图像目标检测与识别中的难题,将深度学习应用到光学遥感图像目标检测与识别中,需要对面向目标检测与识别的深度卷积神经网络开展研究。本文主要详细分析研究两类典型的卷积神经网络模型,即基于区域提取和基于回归的深度学习网络,并通过数据集对这两类深度学习模型进行实验验证与深入分析,为后续研究基于深度学习的光学遥感图像目标检测与识别方法提供依据。3.基于迁移学习卷积神经网络的遥感图像目标检测。针对大幅面光学遥感图像背景复杂、目标尺寸相对较小以及标注训练样本数据缺乏等问题,本文提出一种基于迁移学习深度卷积神经网络的遥感图像目标检测与识别方法:首先,在大量自然图像数据集下对改进的深度学习网络进行预训练,再将预先训练的模型迁移到遥感目标域中,旨在解决遥感图像训练样本缺少的问题;然后,基于迁移学习深度卷积神经网络进行目标定位与识别,旨在解决遥感图像目标检测精度与速度的问题。最后,利用大幅面光学遥感图像验证本文提出算法的有效性。4.基于卷积神经网络的光学遥感图像目标姿态提取。针对传统方法在光学遥感图像目标姿态提取中存在的问题,本文将目标姿态信息提取融入到基于深度学习的目标检测与识别过程中,研究基于深度卷积神经网络的遥感图像目标姿态提取方法。本文提出的遥感图像目标姿态提取网络Di-CNN,能够充分利用卷积神经网络的多层特征,以端到端的方式回归目标的位置和姿态信息,并进一步提高目标检测的精度。通过在遥感图像数据集上进行实验,验证本文方法的有效性。