遥感图像具有图像尺寸较大、目标相对图像占比小的特点。无论是SAR图像还是光学遥感图像,之中包含的特征在军事、城市管理上都有着极高的研究价值。随着遥感卫星技术的发展,遥感图像的分辨率不断提升,但是获取有标记的SAR图像数据集进行目标检测与识别存在困难。本文旨在采用基于卷积神经网络的数据增强对SAR图像和光学遥感图像数据集进行扩充,并针对现有问题提出改进方法,本文主要工作分为三个部分。第一,针对SAR图像目标检测与识别数据量有限的问题,提出了一种新的基于卷积神经网络的数据集扩充方法。首先,根据MSTAR数据集中SAR图像军事车辆目标和场景图像,合成制作了SAR图像目标检测与识别数据集SAR_OD。将SAR_OD数据集中的图片输入本文设计的卷积神经网络中,确定图片适合放置新目标的位置并放置合适数量的目标,得到数据增强后的数据集SAR_OD+。实验证明,经过本文方法进行数据扩充的数据集SAR_OD+训练的模型在评价指标上有明显提升,尤其在选取50%的训练数据进行的实验中,提升效果更显著。因此,在数据量有限的情况下,可通过采用本文的数据集扩充方法,提升SAR图像目标检测与识别性能。第二,针对部分类别样本分类效果较差的问题,本文采用了改进的交叉熵损失函数替代Faster R-CNN原有的分类损失函数,进一步提升难以分类的样本对损失函数的贡献,从而达到更好的目标检测与识别效果。实验证明,该方法在各个数据集训练的模型上均有不同程度提升,平均精度低的目标类别提升更显著。通过SAR_OD+数据集对改进的Faster R-CNN进行训练,采用训练好的模型搭建基于Py Qt 5的SAR图像目标检测与识别系统,实现了模型性能测试功能和单张图像检测展示功能。第三,针对光学遥感图像背景复杂、每类目标出现的背景较为统一的特点,提出了基于卷积神经网络的光学遥感图像数据增强方法。首先选取十分类光学遥感图像数据集NWPU-VHR 10中带有飞机、舰船和车辆目标的图像,制作数据集VHR-3。将图片输入到卷积神经网络模型中预判其应该放置的目标类别,并根据预判结果将图片输入到不同网络中,判断适合放置目标的位置并放置特定类别的目标。根据数据集中存在部分目标过于密集、标记框重叠部分多等特点,采用改进的非极大值抑制方法去除多余候选框。实验结果表明,采用改进的非极大值抑制方法可以有效提高目标框容易重叠的类别的平均精度,数据增强后,进一步提升了目标检测与识别性能,并在训练集数据量更少(50%数据)的情况下,其提升效果更显著。