随着现代遥感技术的飞速发展,大量的遥感卫星生成了海量的遥感图像数据,遥感图像包含非常丰富的信息,具有重要的研究和应用价值,应用领域众多,其中遥感图像目标检测与分类一直都是学术界研究的热点,近年来深度学习技术的发展使得遥感图像目标检测与分类的性能有了显著提高,考虑到现有的基于深度学习的遥感图像目标检测与分类存在的问题,本文分别针对目标检测与分类的难点,从样本选取、网络设计等方面提出了改进方法。本文主要研究内容如下:1、提出了基于集成深度卷积融合网络的遥感图像目标检测方法。针对遥感图像目标检测中的小目标难检测问题,在检测网络中加入基于K-means的参考框设计以及特征融合,使初始目标候选框的尺寸更符合遥感数据集,所提取的特征更适合于小目标;针对遥感图像目标检测中的背景误检问题,在检测网络中加入背景分类子网络,通过增加背景类以及在网络中对分类结果进行集成,提高了对目标候选框分类的准确率,而且通过增加该子网络,更充分地利用了遥感图像的信息。实验结果的对比说明了提出的集成深度卷积融合网络的优越性。2、提出了基于双通道融合卷积网络的多源遥感图像分类方法。对于现有的基于卷积神经网络的遥感图像分类方法,使用固定尺寸对目标像素取块,其邻域信息不一定都对中心像素点起正反馈作用,针对此问题,提出基于超像素的自适应区域选择,利用图像的空间分布确定像素点输入网络的区域,生成多种尺寸的图像块来训练网络;为了更好地利用多源遥感图像数据,提出双通道融合卷积网络,在网络中分别提取两种数据的特征,使用DPN模块对两种特征进行融合,在保留原始特征的前提下生成新的特征,因此提取特征的鲁棒性和判别性较好,在不同数据实验结果的对比验证了提出方法的有效性。3、提出了基于多尺度自适应深度融合残差网的遥感图像分类方法。为了提高训练数据集的质量,提出重要样本选择策略,基于遥感图像的超像素分割结果,使用梯度信息和空间分布来选取多样性的、更具代表性的训练样本;为了更好地利用网络中多层次的特征,提出多尺度自适应深度融合残差网,考虑到不同尺寸的目标需要不同的语义信息,在网络中提出自适应融合模块对多尺度多层次的特征进行融合。在四个数据集上不同方法的对比验证了两个创新点的有效性。综上所述,本文对遥感图像目标检测和分类方法进行研究,实验结果证明了提出方法的有效性,说明研究成果具有一定的实际意义。