近些年,随着遥感大数据时代的到来,基于光学遥感图像的目标检测与识别算法逐渐被应用于各个领域。传统算法中,通过手动人工提取目标特征的方法,远远无法满足大数据下实时性的需求。于是我们便通过借助计算机的方法,高效且快速的帮助我们完成特征提取与物体检测的任务。而深度学习,是一种借助计算机试图使用多层复杂网络层对数据进行高阶特征抽取的算法。本文基于深度学习算法,通过迁移学习的思想,将用于光学自然场景下的网络模型迁移到遥感场景中来。并针对本文所研究的问题进行调整和优化,主要研究工作内容有如下三点:(1)从基于边界框的目标检测方法入手,使用基于随机森林和更快速区域卷积神经网络的方式,重新构建了船只目标检测模型。试图用替换分类器的方式解决数据样本不均衡的问题。(2)第二部分从基于像素的语义分割算法展开研究,先使用全卷积神经网络对遥感图像进行语义分割,并使用马尔科夫随机场对结果进行虚警剔除,最后得到疑似目标区域。然后再结合传统变化检测算法,提取感兴趣区域变化信息。最后将两者结果相结合,提出一套基于全卷积网络显著性的港口区域变化检测算法模型。(3)以本文第二章所讨论的基于边界框的目标检测算法为网络主干框架,并结合语义分割算法,本文第三部分从实例分割的方法入手,利用掩模区域卷积网络对船只目标实现个体分割。并针对网络的主干架构进行调整和优化,以模型压缩的手段对算法模型进行提速。并通过实验验证了方法的可行性。