随着航空航天技术与卫星遥感技术的进步,高分辨遥感影像在多角度、全方位、全天候、高精度等方向上得到了迅速发展,影像中包含的特征信息在国家安全、资源调查、环境监测、城市规划管理等重大领域都具有很高的研究价值。本文旨在基于深度学习的目标检测算法和传统图像处理算法实现一款基于高分辨遥感影像的目标识别与定位变化分析系统,系统由典型目标识别、定位变化分析两个子模块组成。针对大视场可见光影像下电力塔检测需求,本文设计了基于Faster RCNN的大视场目标检测算法,通过设计滑动窗口的尺寸大小及滑动步长,保证原图中任意一根电力塔都能够完整的包含于某一裁剪小图中,在此基础上,使用NMS算法对电力塔检测结果集做后处理,剔除残缺、冗余的检测框,得到最优预测框。经过测试,典型目标识别模块对于可见光影像下电力塔的识别率达到83%以上。针对高分辨SAR影像下电力塔、电力线检测需求,考虑到SAR影像下目标纹理信息的缺失,本文设计了基于传统图像技术的电力塔线检测算法,通过图像二值化、膨胀腐蚀、去聚集性噪点等一系列操作实现SAR图像中绝大部分噪点的去除。在此基础上,借助基于电力塔线走势判断的先验知识,设计实现了电力塔线路径生成算法。经过测试,典型目标识别模块对SAR影像下电力塔、电力线的识别率均达到92%以上。针对高分辨可见光影像下飞机舰船的长宽比例、旋转角度偏大的问题,本文提出了基于旋转框的飞机舰船检测算法。结合多种尺寸大小的ROIPooling层信息对旋转边界框进行分类回归,算法实现了更高质量的边界框预测。经过测试,定位变化分析模块对于不同类型影像下飞机舰船的识别率均达到86%以上。针对高分辨序列影像下飞机舰船定位变化分析需求,本文提出了基于特征点匹配策略的图像对齐算法。通过引入图像金字塔思想,设计实现了基于ORB的特征点匹配算法,利用序列影像中特征点对位置映射关系,建立超定方程,求解Homography矩阵,借助仿射变换实现前后序列影像中目标位置的对齐,在此基础上,进行飞机舰船的定位变化分析。