对遥感图像中的目标进行自动、准确、高效的检测与识别是遥感图像智能解译的关键步骤,具有重要的应用价值。近年来,基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的目标检测方法在计算机视觉领域取得了突破性进展,将其用于遥感图像目标检测任务是当前的研究热点,但是仍然面临着以下几方面挑战和不足:(1)缺乏对目标的属性进行预测。(2)难以适用于尺度差异大的不同类目标检测任务,且对小尺寸的目标检测性能不佳。(3)难以基于少量样本从头训练网络模型,采用预训练模型会限制网络结构的灵活调整。(4)不具备对旋转变化的建模学习能力。针对上述问题,本文对基于深度卷积神经网络的遥感图像目标检测方法进行了深入的研究,并在多种来源的遥感图像目标检测数据集中进行了实验和分析,验证了本文方法的有效性和实用性。本文所取得的主要创新成果如下:1.在单类目标检测与属性预测方面,提出了一种基于耦合卷积神经网络的目标检测和属性预测方法,实现了一体化的目标检测和属性预测,拓展了基于DCNN的目标检测方法的功能。该方法采用多任务学习机制,将属性预测的损失函数与类别分类损失函数以及位置回归损失函数进行协同学习,并利用多层级特征融合的方法来提高小尺寸目标的检测性能。在Aerial-Vehicle数据集上的实验结果验证了本文方法具有比其他方法更高的检测精度和属性预测准确率,在NUDT-Vehicle数据集的实验结果也进一步验证了本文方法具有较强的泛化能力和稳定性。2.在多类目标检测方面,针对不同类目标尺度变化差异大与目标检测网络感受野固定的不一致问题,提出了一种基于多尺度卷积神经网络的目标检测方法,提高了基于DCNN的目标检测方法对于多尺度目标的检测性能。该方法重新设计了深度卷积神经网络的结构,采用融合了不同感受野卷积核的inception模块作为网络结构的基础单元,用于有效提取不同尺寸目标的深度特征。然后在不同空间分辨率的深度特征图中采用不同感受野的窗口进行目标检测。本文在具有挑战性的NWPU VHR-10数据集、飞机目标数据集、Aerial-Vehicle数据集和SAR-Ship数据集中对比了十余种目标检测方法,实验结果表明:与其他基于DCNN的方法相比,本文方法对于存在较大尺寸差异的多类目标检测有着更好的适用性,且对于尺寸小、密集排布的目标有着明显的精度提升。3.针对遥感图像域与近景图像域之间域分布差异过大的问题,提出了一种不依赖预训练模型,基于少量遥感图像数据集从头进行训练的目标检测方法,有效提高了网络结构设计的灵活性,有利于学习出更适用于遥感图像的深度特征。该方法采用密集连接模块和特征复用策略重新设计了卷积神经网络结构,提升了梯度传播的效率,有利于网络的快速收敛。在基础卷积神经结构之上,本文方法从多层级深度特征图中采用多个检测分支进行目标检测,并改进了标准的交叉熵损失来平衡训练过程中正负样本的权重,最后采用位置敏感分数图进一步对目标进行鉴别。本文在与近景图像存在较大差异的SAR图像数据集上进行了舰船目标检测的实验验证,实验结果表明我们的方法可以依赖有限数据规模的SAR图像数据集从头开始训练,且取得了比基于预训练模型的目标检测方法更高的检测精度。4.针对遥感图像中目标的旋转变化对方向检测和精细分类的干扰,提出了一种基于方向响应网络的目标方向检测和精细分类方法,有效提升了DCNN对于目标旋转变化的建模学习能力,有利于减小目标类内差异,提高精细分类的精度。该方法采用主动旋转滤波器替换传统的卷积操作来捕获目标在不同方向的响应特性,用于目标位置回归,采用方向响应池化操作来提取具有旋转不变特性的深度特征用于目标精细分类。最后在得到的正框检测与精细分类结果基础之上,采用霍夫变换直线检测来提取正框检测的主方向,并结合舰船目标的长宽比输出最终的斜框检测结果。本文在搜集整理的光学遥感图像舰船目标数据集中进行了实验验证,实验结果表明基于方向响应网络的目标检测方法具有更高的检测精度,采用基于斜框的目标检测方法能够有效区分并排停靠的舰船目标。