矿产资源是人类经济社会发展的重要物质基础。随着人类社会经济的快速发展,各行业对矿产资源的需求量不断增加,为促进矿产资源的合理开发利用,减少开发过程中产生的环境污染和地质灾害,急需对矿山的开采进行有效的监管。然而,目前对于矿山开发的监管仍停留在传统层面,即遥感目视解译和野外实地调查,不仅工作量大,而且识别周期长,难以实现对于矿山资源的有效监管。近年来,随着深度学习算法在遥感领域的迅速发展,为矿山资源的监管提供了一种新途径。因此本文以矿山开发过程中的采场、工业广场和尾矿库三个目标快速识别为例,通过对YOLOv4模型的改进,实现对矿山开发目标的快速识别。主要研究内容如下:针对矿山目标影像受光照,气候等条件影响出现局部高亮,导致特征丢失造成识别精确度低的问题,构建基于注意力机制的特征筛选结构CBH-SE。首先,在路径聚合网络（PANet）原有五次卷积基础上加入挤压激励网络（SENet）和Hard-Swish激活函数,使模型具有特征筛选能力,并提升模型的非线性能力;其次,为了减少添加新网络对模型运行速度的影响,对模型进行结构优化,减少卷积次数;最后,加入残差结构避免模型出现学习能力下降的问题。本文提出的CBH-SE可以改善因矿山目标成像过程中目标失真导致识别精确度差的问题。针对多尺度矿山目标特征提取能力不足的问题,本文将YOLOv4中的空间金字塔池化（SPP）网络替换为空洞空间卷积池化金字塔（ASPP）。通过分析输入ASPP特征图的格式,设置适合当前特征尺度的空洞率,利用空洞卷积和五个并列层级结构的优势,增强模型对多尺度矿山目标特征提取能力。在此基础上,本文利用Arc GIS开发了矿山影像自动裁剪工具,制作了典型矿山目标数据集。通过实验对比改进前后的模型,结果显示,改进后的模型比原始模型有更高的平均精确度（m AP）,验证了改进后模型的有效性;最后本文利用Python和改进后YOLOv4模型开发了矿山目标识别的软件,实现对矿山开发目标的有效监管。