遥感技术是20世纪60年代兴起的现代探测技术,几十年来为土地利用分析,农业病虫害监测、城市规划等民用领域提供了稳定、详细的数据来源。对军事目标检测、战场环境仿真等军用领域有着更为重要的意义。经过多年的发展,遥感技术在提高空间分辨率、时间分辨率、光谱分辨率等关键技术环节中取得了巨大的进步,已经形成了高光谱、高空间分辨率、全天时、全天候的对地观测能力。随着三个分辨率的不断提高,遥感数据量爆炸式增长,如何快速有效的提取遥感数据中的信息,减少信息冗余,提高信息利用率成为亟待解决的问题。尤其是近些年,随着国内外高分辨率遥感卫星的蓬勃发展,高分辨光学遥感影像数据量以每天TB级的数量日益增多,对高分辨光学遥感影像进行自动信息提取成为市场关注、研究者关心的研究热点。作为2013年世界十大突破性技术,深度学习在图形处理器和机器学习理论的支持之下取得了多个领域的突破性进展,尤其是图像分类、目标检测、语义分割、视频分析、语音识别、机器翻译、自动驾驶等领域的表现远远超过了之前所有非深度学习的各类方法,成为图像处理、文本处理、语音处理方向的一大利器。深度学习本质上是通过包含极多参数的人工神经网络对复杂的高维函数进行拟合的过程。经过实验验证,深层的人工神经网络对图像或者序列数据的特征抽象能力极强,另外新型的图像处理器的快速计算能力为深度学习技术的发展提供了必要条件。经过充分训练的深度学习模型可以快速执行模型定义的功能,执行速度快、泛化能力强、稳定性强成为其他方法无法比拟的优点。使用深度学习技术对高分辨光学遥感影像进行信息提取成为近两年相关研究者们普遍采取的方法,在遥感场景分类、遥感目标检测、遥感影像描述、遥感影像分割等领域取得了可喜的成就。但是也存在一些问题,本文在遥感场景分类、遥感目标检测、遥感影像描述三个方面进行了探索与尝试,论文研究工作及贡献主要包括以下几个方面:在遥感场景分类研究中,提出了一种基于集成卷积神经网络的遥感影像场景分类方法。使用深层的卷积神经网络对光学遥感场景影像进行分类处理时,需要消耗大量运行时间以获取较高分类准确率,减少网络的层数可以提高分类速度,但同时会降低准确率。为了同时发挥浅层网络速度快和深层网络准确率高的优势,提高遥感影像场景分类的效率,提出了一种基于集成卷积神经网络的遥感影像场景分类算法。首先,构建反向传播网络,完成场景图像的复杂度度量,然后,根据图像的复杂度级别,自适应选择适合其复杂度的卷积神经网络。最后,利用该卷积神经网络对图像进行分类,完成遥感影像场景分类过程。使用所提出的算法在分类精度和分类速度上都有所提升。在遥感目标检测研究中,提出了一种快速检测多类旋转目标的检测方法。对遥感影像进行目标检测时,现存的很多算法的检测框都是与图像的横纵轴相平行的经典检测框,当检测油罐、飞机这些边界近似于正方形的目标时没有什么问题,但是当检测舰船、港口这些细长的目标时,经典检测框往往会框定出很多无关区域,甚至影响目标的召回率,有些研究者针对舰船提出了相应的旋转目标检测方法,但是存在检测目标类别单一,检测速度慢等问题,为此本文基于YOLO设计了一种能够同时检测15类目标并标识旋转框的检测模型。在遥感影像描述研究方面,相关的研究相对较少,本文基于自然图像描述算法设计了一种结合注意力机制、卷积神经网络、循环神经网络的遥感影像描述方法。通过特征融合的方式对图像特征抽取部分进行了改进,注意力机制的加入使得使用循环神经网络生成描述语句时,模型可以自动关注与生成的单词有关的图像区域。该方法在多个评价指标的评估得分上均取得了进步。