当今世界,人工智能迅速发展,各种智能化监测系统不断涌现并被应用到各个领域,随着遥感卫星技术不断成熟,获取到的遥感图像质量不断提升。近年来,对遥感图像中感兴趣目标（舰船,冷却塔,飞机等）进行识别成为遥感图像处理和计算机视觉领域研究的热点问题。针对火力发电厂冷却塔和舰船这两种典型目标,基于深度学习目标检测技术对上述两种目标进行智能识别研究,对于我国这样一个海陆兼备的国家,无论是在民用方面还是军事方面都具有十分重要的意义。在民用方面,监测化石燃料发电厂的排放,有助于减轻空气污染,协助城市环境监测;在军事方面,能够用于监视敌方重点军事目标部署与动态,评估战时打击效果,进行精确制导。因此,检测遥感图像中发电厂冷却塔和舰船并判定其工作状态具有十分重要的现实意义。目前我国对上述两种目标的定位还停留在目视解译阶段,基于深度学习的遥感图像目标检测方法已经成为一种重要而有效的技术,其性能已经超过了其他传统方法,设计能够快速准确检测大幅遥感图像中的冷却塔和舰船目标对于改善环境质量,提升国防实力具有深远意义。然而,在实际检测过程中,传统的深度学习目标检测模型采用非极大值抑制算法剔除冗余检测框,该方法总体策略为置信度值直接归零和贪婪法筛选,此策略无论在精度上还是效率上都会降低模型的检测性能。针对当前对上述两种目标检测及工作状态判定研究较少、模型性能不佳且缺乏相应数据集这一问题,本文自行构建了冷却塔和舰船检测及工作状态判定数据集。数据集标注完成后,搭建好实验平台,分别对八种典型目标检测算法进行对比实验,比较各模型优缺点并选取性能较好的YOLOv4模型进行改进,针对传统非极大值抑制算法存在的问题,提出采用分段函数代替直接归零的方式改变预测框置信度,采用面积比较法与重叠部分长度比较法代替贪婪法挑选候选框。实验结果表明,本文提出的对YOLOv4模型的优化改进能够更好的实现上述两种目标的检测及工作状态判定。最后使用Python和C++语言将该算法开发成软件,对检测影像实时显示并保存结果,以便更好地应用于生产实践。