社会经济的不断发展推动着人口大规模地向城市地区聚拢，导致交通越来越拥堵。交通拥堵已成为困扰交通领域的一个难题。大范围的车辆检测识别能及时的获取交通信息，改善交通安全，对城市规划也有着重要意义。深度学习是当前国内外学者关注和重视的检测识别算法，而深度卷积神经网络是深度学习中适用于图像处理的一种方法。本文在研究深度卷积神经网络理论的基础上，将其应用到遥感图像车辆检测识别中。首先对遥感图像进行车辆潜在道路区域的提取，以此来减少后续车辆检测算法所需要处理的数据量，同时该过程也将减少非道路区域所产生的虚警。车辆检测分为对车辆检测窗口的定位和识别。本文基于超像素分割算法实现对车辆检测窗口的定位。车辆检测窗口的识别是基于深度卷积神经网络实现的。通过数据扩充将带标记的样本应用于深度卷积神经网络进行特征和分类器参数的学习。训练完成的深度卷积神经网络将识别所有的车辆检测窗口，结合非极大值抑制对识别结果做过滤得到最终的车辆检测结果。　　本文主要研究内容包括以下三个方面:　　1.基于超像素分割和支持向量机对遥感图像车辆潜在道路区域进行提取，并通过霍夫线提取等对提取出的道路区域结果进行优化。　　2.详细地阐述了深度卷积神经网络的原理方法，通过对数据进行扩充和算法框架进行调整将深度卷积神经网络应用到遥感图像车辆检测识别上。　　3.将超像素分割算法应用到车辆检测识别算法和道路提取算法中，加速了车辆检测识别和道路提取的速度。