深度神经网络在大数据的滋养下迸发出巨大活力,它在有大量人工标注数据的计算机视觉任务中取得了很大进展。然而,在遥感图像领域,有人工标注的数据极其稀少,如何在少标签的遥感数据中利用深度学习对其解译成为研究的热点。合成孔径雷达SAR图像和光学遥感图像是两种常见的遥感数据,SAR图像的分割过程中存在若干空间上互不连通、大小不同的极不匀质区域,这些极不匀质区域的分割存在样本不平衡问题;另外,光学遥感图像的目标检测由于训练样本数量的限制,部分目标的背景过于单一,训练出的目标检测模型对复杂背景的鲁棒性不佳,在测试集因背景存在差异而产生大量虚警;最后,常见的单阶段光学遥感图像的目标检测模型对全局的形状信息利用不足,使其面临分类精度和定位精度相互制约的困境。针对以上问题,本文将生成对抗网络引入SAR图像极不匀质区域样本的生成任务以及光学遥感图像目标检测样本的生成任务,并将DoG脊波滤波器引入光学遥感图像目标检测任务。主要内容如下:1.针对SAR图像极不匀质区域的样本不平衡问题,提出了一种基于素描及结构生成对抗网络的SAR图像极不匀质区域样本生成方法。本文针对SAR图像的极不匀质区域,构造生成对抗网络GAN学习素描块和SAR图像块之间的联合分布;为了避免生成器输出的图像变形,设计了素描损失函数和几何结构窗损失函数以约束生成图像的全局结构和局部结构。该方法能够生成结构与SAR图像素描图一致,且细节逼真的SAR图像极不匀质区域样本。2.为了提升光学遥感图像目标检测模型对复杂背景的鲁棒性,提出了一种基于目标粘贴神经网络的光学遥感图像目标检测样本生成方法。本文根据已有的光学遥感图像目标检测数据集,基于加性噪声模型构造了目标粘贴网络,在仅有目标类别和边界框的前提下,实现在图像的指定位置生成尺度可变的目标;并提出双判别器的训练方法,保证生成的混合图像中目标不失多样性。实验结果表明,该方法能够实现在给定背景图像的前提下,位置自定义的多尺度目标生成,并可作为目标检测的样本。3.针对目标检测模型对全局的形状信息利用不足的问题,提出了一种基于区域卷积神经网络的光学遥感图像目标检测方法。为了使卷积神经网络对目标的边界更加敏感,本文在VGG的基础上,使用对边和脊敏感的DoG脊波滤波器替换了部分随机初始化的卷积核;同时,为了强化卷积后的特征图在目标结构处的响应,本文使用原图像的初始素描图获得其结构区域,使卷积核可以单独对结构区域卷积,从而得到结构强化的特征图。实验结果显示,该方法能有效改善卷积神经网络对目标边界的敏感程度,提高光学遥感图像目标检测模型的定位精度。