复杂背景下的目标检测与分割是计算机视觉领域的核心问题之一。其主要任务是识别和定位图像中的目标对象。尤其在航空航天领域,对于军事目标的准确识别和定位,在实际作战过程中具有重大的战略意义。复杂背景下,目标容易受光照不足、遮挡、背景干扰等因素影响,目标检测难度大,鲁棒性低。因此本文针对复杂背景下目标检测问题,结合具有较强容错能力的深度学习方法,设计了一种基于深度学习的卷积神经网络(Convolutional Neural Networks,CNN)结构对目标进行检测与语义分割。本文针对上述问题,做了以下工作:首先,针对目前还没有符合复杂背景条件的公开数据集问题,自行构建了满足复杂背景条件的互联网图像数据库。然后,研究了经典的目标检测方法——Faster R-CNN原理,并针对复杂背景下需对图像目标提取更精细局部特征的要求,设计了一种位置选择网络结构,与Faster R-CNN相比平均检测精确度提高了6.7%。最后,采用全卷积神经网络和掩膜两种不同的分割方法,对复杂背景下的目标进行语义分割,经过实验对比,掩膜分割方法有较好的分割效果。通过对互联网图像数据库中的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,结果证明本文使用的方法对于复杂背景下的目标检测与分割具有一定的鲁棒性和实用性。