近年来,伴随着人工智能(Artificial Intelligence,AI)、高性能计算机硬件和云计算的快速发展,目标识别(Target Recognition,TR)技术在人脸识别、目标追踪、自动驾驶、国防安全、遥感影像分析等领域中的应用也实现了跨越性发展,在不同的领域中提出的目标识别算法也展现出可以与人类能力相匹敌的卓越性能。深度学习(Deep Learning,DL)算法作为机器学习领域中的热点已经被广泛引入到遥感(Remote Sensing,RS)应用中,数以百计的遥感传感器每天生成的海量数据带来的计算量的激增和复杂地表环境严重影响数据分析算法的效率和精度,导致遥感影像目标识别算法面临巨大的挑战,其中最主要的两个难点是如何提高算法的实时处理性能和克服复杂背景的多样化特征提取与抽象信息表达。而深度学习算法能够以多层次的学习方式从影像中提取典型地物的代表性和判别性的抽象特征用于遥感大数据分析。因此,针对遥感影像目标识别遇到的问题,引入基于区域建议和基于回归学习的深度卷积神经网络算法,应用于数据扩增后的遥感影像目标识别共享数据集,研究了深度学习算法的数据处理机制和卷积特征表达方式,对比分析两类深度学习算法的特点和性能表现。本文的主要内容包括:(1)遥感影像目标识别数据集扩增。构建丰富的高质量训练数据集是深度学习算法训练模型的关键,优质的数据集能够包含更全面的感兴趣目标在不同环境下的多尺度、多角度观测信息,能够优化深度学习算法模型的参数和提高目标识别的总体精度。由于光照条件、地形地貌和大气环境的影响,导致目标在遥感影像中的表达方法十分复杂,直接影响目标识别算法的效果,尤其是对于小尺度目标的识别精度总体偏低。针对这个问题,本文在已有共享数据集的基础上,通过人工标记,构建了包含更多成像条件的遥感影像样本集,为后续目标识别算法研究提供了更坚实的基础,数据集包含十一类遥感影像目标:飞机(aircraft)、储油罐(oiltank)、立交桥(overpass)、舰船(ship)、棒球场(baseball diamond)、网球场(tennis court)、篮球场(basketball court)、操场(playground)、港口(harbor)、桥梁(bridge)和车辆(vehicle)。(2)基于深度学习的遥感影像目标识别算法研究。本文对比了基于区域建议的深度卷积神经网络 Faster R-CNN(Region Convolutional Neural Network)和基于回归学习的深度卷积神经网络SSD(Single Shot MultiBox Detector)应用于十一类遥感影像目标识别的性能表现,识别结果表明,在精度方面,SSD的平均精度为81.3%,略高于Faster R-CNN的73.2%,但是,SSD对于小尺度目标,如汽车的识别精度仅为54.7%,远低于Faster R-CNN的74.6%;在效率方面,SSD处理吉林一号视频星数据的帧率高达46帧,远远高于Faster R-CNN的7帧,展现出卓越的实时视频目标检测的潜力。