遥感目标识别旨在定位并识别出遥感影像中的感兴趣目标,它是遥感图像处理的核心问题之一。随着搭载平台与传感器技术的飞速发展,遥感影像空间分辨率不断提高,与自然图像在视觉上的差异也越来越小。越来越多的计算机视觉方法可被应用于高空间分辨率遥感影像目标识别。2012年,Krizhevsky等首次将卷积神经网络应用于大规模自然图像分类,分类精度显著优于传统的图像分类方法,从而掀起了卷积神经网络的研究热潮。2014年,Girshick等提出了R-CNN(Regions with Convolutional Neural Network Features)模型,奠定了使用卷积神经网络进行目标识别的基础。目前,基于卷积神经网络的自然图像目标识别算法,在精度上已经接近了人眼的识别精度,速度上也达到了准实时处理。遥感图像空间分辨率的提高以及卷积神经网络在自然图像分类、目标识别等领域取得的成功,极大地推动了卷积神经网络在遥感图像处理领域的应用研究。基于卷积神经网络的高分辨率遥感影像分类、目标识别、图像分割等研究已成为当前研究热点之一。本文主要研究卷积神经网络在高空间分辨率遥感影像目标识别中的应用,完成了以下研究工作:(1)明确了卷积神经网络特征在图像识别中的有效性。本文在相同的遥感影像场景分类框架下,对比了卷积神经网络和词袋模型两种方法提取的特征性能。使用卷积神经网络特征在UcMerced数据集上分类时,平均准确率均值达到了87%,在WhU数据集上优于97%,显著高于词袋模型,证明了卷积神经网络特征在图像识别领域比传统人工特征更具有优势。(2)提出了一种由粗到精的高空间分辨遥感影像单类目标识别方法。该方法首先采用基于HOG的级联AdaBoost算法快速提取少量的感兴趣区域,然后使用基于卷积神经网络特征的支持向量机对感兴趣区域进行分类。本文提出的方法在飞机识别实验中准确率和识别率分别为98.4%和87.1%。与R-CNN模型相比,本文提出的方法不但准确率和识别率有所提高,而且速度是R-CNN模型的10倍,在实际应用中具有重要意义。(3)研究了如何使用Faster-RCNN模型进行遥感多类目标识别。通过固定卷积神经网络低层卷积层和微调高层卷积层的方式,缩小了Faster-RCNN模型需要训练的参数规模。在NWPU VHR-10数据集上,使用Faster R-CNN模型进行遥感多类目标识别的平均准确率均值达到了72.6%,说明了Faster R-CNN是一种有效的遥感多类目标识别方法。本文研究结果表明,卷积神经网络在遥感影像目标识别中具有巨大的应用潜力,是当前和未来的研究热点。