近年来,随着航空航天科技、传感器技术、以及通信与信息处理技术的快速发展,遥感技术开始迈向高空间分辨率、高光谱分辨率、高时间分辨率、多极化、多角度,以及小型敏捷性等方向迅猛发展。其中,高分辨率遥感影像对国家的军事和经济的发展影响尤为明显,已被广泛应用于军事侦察、地球测绘、海洋监视和气象观测等应用领域。遥感技术的发展使得遥感影像数据获取的速度更快、更新周期缩短、时效性增强,遥感影像的数据量也开始呈指数级增长,研究和探索如何快速地对大量的遥感影像从“数据到信息”的解译,提取出更多有利于解译的有效信息成为一个亟待研究的问题。深度学习技术的不断更迭,使得人工智能领域产生了一批革命性的突破成果。深度学习可理解为堆叠的层,通过非线性处理学习多个层次的特征表示。由于深度学习能够从大量的原始数据中生成高层次的抽象特征表示,为当前许多实际应用提供了良好的解决思路,成为近年来流行的机器学习算法。如何利用深度学习从海量遥感影像中智能、快速地提取有效的信息是当前研究的热点之一。本文以高分辨率遥感影像为研究对象,基于深度学习,对遥感影像解译的分类任务—场景识别和目标检测等任务存在的问题进行了归纳及研究,其创新之处包括:1.针对遥感影像场景复杂、类别多、易混淆等问题,提出了一种快速深度感知的网络模型FDP-Net（Fast Depth Perception Network）。FDP-Net是一个基于深度卷积神经网络和宽度学习（Broad Learning System,BLS）的遥感影像场景识别框架,该框架利用深度卷积神经网络提取遥感影像的浅层和深层的场景特征;接着将浅层特征和深层特征同时输入到深度感知模块（Deep Perception Model,DPModel）中,获得一组带有因果结构的可分特征表达,用于完整地描述遥感影像高层语义信息;其中,DPModel主要采用浅层特征和深层特征的融合策略并应用主成分分析降维;最后,将该图像的特征表示输入到宽度学习模式识别系统中进行训练和测试,获得了优异的分类性能。FDP-Net能够有效地解决遥感影像类间相似度高、类内差异性大的问题,取得了比传统遥感影像场景分类算法更好的泛化性能和算法复杂度。2.针对遥感影像目标检测中的小目标像素少、易被干扰或被其他物体遮挡,以及遥感影像目标检测标注困难等问题,提出了一种基于Faster R-CNN的Sig-NMS与迁移学习相结合的模型。其中,Sig-NMS在候选区域生成网络阶段取代了传统的非极大值抑制（NMS）方法,极大地降低了漏检小目标的概率;同时,通过迁移学习对遥感影像中物体位置和类别进行自适应标注,有效地解决了人工标注的困难。在遥感图像的三个国际公开的遥感影像目标检测数据集上,提出模型的实验结果表明,相较于其他先进的目标检测算法,获得了优异的检测结果。3.针对如何快速地在背景复杂、信息丰富的大幅遥感影像中精准地找到目标,提出了一种基于多尺度空间注意力的遥感影像候选区域生成网络框架（Multi-scale Spatial Attention for Region Proposal Network,MSA-RPN）。该网络框架是一个端到端的深度学习系统,使用残差网络作为骨干网络,从网络中抽取多个尺度的遥感影像特征表达,提出特定尺寸的特征门模块（Scale-Specific Feature Gate,SSFG）,得到遥感影像更小尺寸的特征;同时结合注意力机制,提出空间注意力引导模块（Spatial Attention-Guided Model,SAGM）分别在获取到的多尺度特征图中得到每个尺度的注意力特征图;为了改变人工选择采样窗口数目的问题,提出一种根据系统反馈的损失值自适应获取窗口采样数量的方法。在公开的遥感影像数据集上验证,实验结果表明,MSA-RPN明显提高遥感影像的候选区域生成的召回率和速度,尤其是遥感影像中的小目标候选区域的生成。4.针对遥感影像纹理复杂、目标与背景容易混淆,对于快速定位和识别目标带来了较多困难,尤其是容易漏检小目标等方面的问题,提出一种基于宽度学习与多尺度融合分析的遥感影像目标检测网络框架—DMAB-Net（Deep Multi-scale Attention and Broad learning system Network）。该框架首先基于MSA-RPN算法获取到遥感影像的候选区域信息,然后采用通道注意力机制获取其多个尺度的特征信息并融合互补,最后利用基于贝叶斯优化策略的BLS智能地学习到一组适应于不同遥感影像数据集的超参数,对目标进行识别。将DMAB-Net应用三个具有挑战力的遥感影像数据集,实验结果与当前先进的遥感影像目标检测算法相比,DMAB-Net目标检测算法的识别率精度相比先进的检测算法提升约2%～5%,且具有较强的鲁棒性。