1、隨著遙感衛(wèi)星技術(shù)飛速發(fā)展，大批遙感衛(wèi)星涌現(xiàn)，生成了海量遙感圖像數(shù)據(jù)。這些遙感圖像數(shù)據(jù)具有重要的研究與應(yīng)用價值，其中遙感圖像目標(biāo)檢測與識別具有廣泛的應(yīng)用前景，一直以來都是學(xué)術(shù)界研究的熱點。
　　遙感圖像目標(biāo)檢測是指在遙感圖像中找到關(guān)注的目標(biāo)并給出具體位置，遙感圖像目標(biāo)識別則是對某個目標(biāo)的進一步分類，它們是遙感圖像處理領(lǐng)域長期以來關(guān)注的問題。卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)憑借其包含的深層

2、語義特征在計算機視覺領(lǐng)域取得了巨大的成功，近年來也越來越多的被應(yīng)用到遙感圖像目標(biāo)檢測與識別任務(wù)中。
　　然而，現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法依賴大量boundingbox數(shù)據(jù)（位置信息數(shù)據(jù)）進行訓(xùn)練，需要耗費大量人工標(biāo)注成本，同時由于遙感圖像的目標(biāo)樣本數(shù)量有限，不足以支撐大規(guī)模訓(xùn)練;另外現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)識別方法僅考慮網(wǎng)絡(luò)的深層語義特征，導(dǎo)致識別性能達到瓶頸。為解決上述問題，本文基于卷積神經(jīng)網(wǎng)絡(luò)對遙

3、感圖像目標(biāo)檢測與識別算法進行研究。
　　本文首先闡述遙感圖像目標(biāo)檢測與識別的研究背景和現(xiàn)狀，分析和介紹了遙感圖像目標(biāo)檢測與識別算法以及深度學(xué)習(xí)理論研究進展。針對遙感圖像目標(biāo)檢測任務(wù)，提出了一種新的基于深度特征的遙感圖像目標(biāo)檢測方法，利用CNN提取的深度特征提取感興趣區(qū)域，并通過多個尺度的CNN對感興趣區(qū)域進行目標(biāo)確認(rèn)，該方法無需bounding box數(shù)據(jù)進行訓(xùn)練，并且提高了檢測準(zhǔn)確率，降低了漏警率。在遙感圖像目標(biāo)識別任務(wù)中，設(shè)計

4、了一個更加適合遙感圖像目標(biāo)識別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)，并提出了卷積特征融合方法，充分利用網(wǎng)絡(luò)淺層特征和高層特征來提高識別正確率。本文的主要貢獻點如下:
　　(1)針對目前基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測方法依賴大量boundingbox訓(xùn)練數(shù)據(jù)以及遙感圖像目標(biāo)樣本不足的問題，本文使用高分辨率遙感圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，然后利用該網(wǎng)絡(luò)對低分辨遙感圖像提取深度特征，獲取感興趣區(qū)域，最后采用多尺度的卷積神經(jīng)網(wǎng)絡(luò)進行目標(biāo)確認(rèn)，從而高效地完成目標(biāo)檢

5、測。實驗結(jié)果顯示，相比其他同類型方法，本文提出的方法提高了目標(biāo)檢測的準(zhǔn)確率，降低了漏警率，魯棒性強，同時該方法無需bounding box數(shù)據(jù)進行訓(xùn)練并大幅減少了網(wǎng)絡(luò)訓(xùn)練時間。
　　(2)由于目前基于深度學(xué)習(xí)的遙感圖像目標(biāo)識別方法往往僅采用網(wǎng)絡(luò)最深層的抽象語義特征進行識別，而忽略了網(wǎng)絡(luò)淺層特征，本文首先設(shè)計了一個更加適合遙感圖像目標(biāo)識別的卷積神經(jīng)網(wǎng)絡(luò)，然后提出了一個端到端的卷積特征融網(wǎng)絡(luò)，通過全局平均池化方法提取網(wǎng)絡(luò)的不同深度特征