伴随着遥感技术的迅速发展,人们不再单一地满足于获取图像数据。在图像数据之上,需要一种更加有效的自动化地信息获取方式,而基于光学遥感图像的目标检测技术是其中一个重要的基础性技术。传统技术在这方面已经做出了一些成就,但是还远远不够,其算法所依赖的人工设计的特征提取器面对越来越复杂的任务已经显露出明显的不足:特征描述能力不足、特征鲁棒性不强等等。深度神经网络,特别是深度卷积神经网络近些年来的发展非常迅速。它有着优良的泛化能力。在目标检测领域,卷积神经网络已经成为了几乎所有模型的支柱。在光学遥感领域,国内外也出现一些将神经网络应用于目标检测的探索和研究。虽然相对于传统的算法有不少的提升,但是由于遥感领域所面临的特殊问题,算法依旧有不少问题存在。比如,在光学遥感图像飞机检测方面,由于遥感图像视场大,图像的覆盖面积比自然场景图像要大的多。这会导致几个问题:首先,整个图像中背景非常复杂;其次,目标在图像中所占的比例很小。另一个问题是遥感图像数据量:没有大量的标注数据可供网络学习使用。本文基于卷积神经网络,提出了一些上述问题的解决方案,并通过实验证实了其可行性。主要的研究内容如下:1、对自然场景和光学遥感场景下(主要为飞机目标检测算法)的目标检测算法做了一些对比,探索其相互之间的关系以及相互借鉴的可能性。2、基于马尔科夫随机场和全卷积神经网络,构建了飞机检测模型。通过使用马尔科夫随机场,将先验知识加入到神经网络中,有效地降低了整个模型对于数据量的需求。与其它基于卷积网络的方法相比,该模型在使用更少数据的情况下,也可以在准确率和虚警率上表现出很好的性能。3、通过自然场景与光学遥感场景的对比,改进自然场景下的目标检测方法,将其应用到光学遥感场景。针对遥感场景中的一些特定问题,提出了迁移学习、反例类别学习、高斯金字塔模型等解决方案,并通过实验验证了该思路的可行性。