在民用和军事领域,面向高分辨率光学遥感影像的车辆目标检测是一个非常有价值的应用,它可以被广泛地用于交通管理、城市规划、作战目标精确打击等。近年来,与光学遥感影像目标检测相关的研究很多,大多数方法都是基于滑窗搜索和手工设计特征或者浅层学习特征。这类特征不能够很好地表达目标的特性,而且基于滑窗搜索的方法实时性差、计算消耗大。在计算机视觉领域,基于深度学习的目标检测算法在精度和速度上都取得了非常优异的效果。但是,直接将基于深度学习的目标检测方法运用于光学遥感影像车辆目标检测仍然面临很多挑战,主要因为以下几个难点:1)在大幅面的光学遥感影像中,背景比较复杂,同时车辆这类目标的面积占比小,很难对其进行准确、快速的定位和鉴别。2)实际应用中,大幅面的光学遥感影像目标检测对实时性要求高。3)光学遥感影像都是俯视成像,在这样的视角下目标的方向变化大,影响检测性能。此外,目标的方向是非常有价值的信息。4)训练网络模型需要大量的训练数据,而高分辨率遥感影像能够直接用来训练的标记样本比较少,人工标记十分昂贵且费时。为了解决以上问题,本课题开展了基于深度学习的高分辨率光学遥感影像车辆目标检测方法的研究。本文从提高车辆目标检测精度,加快检测速度,检测车辆目标方向出发,对基于深度学习的目标检测算法进行了研究。主要工作如下:1、分析并总结了基于卷积神经网络目标检测的两类典型模型和检测流程。通过在无人机数据集上展开车辆目标检测实验,验证了以下结论:基于区域提取的双网模型精度更高,基于回归的单网模型速度更快。2、针对背景复杂的大幅面光学遥感影像中车辆目标检测定位难、鉴别难的问题,提出了基于多层特征融合和负样本挖掘的车辆目标检测方法。主要研究了基于区域提取的卷积神经网络模型,旨在提高目标检测精度。首先,采用基于多层特征融合的区域提取网络来提取目标候选区域;然后,利用基于负样本挖掘的分类器进行候选区域鉴别。在公开的航空影像数据集、无人机影像以及红外假彩色影像上的实验证明,本文方法能有效地提高检测精度。3、针对光学遥感影像车辆目标方向检测问题,提出了基于有向卷积神经网络的车辆目标方向检测方法。研究了现有的车辆目标方向检测方法,改进了基于回归的卷积神经网络模型,通过引入和学习目标的角度偏移量,有效地实现了在目标检测的同时预测目标的角度,提高了检测精度和检测速度。在两个公开的航空影像数据集上展开了实验,验证了本文方法的有效性。