随着高分卫星系列布局的日趋成熟,人们可以更加便捷的获取丰富多样的高分辨率遥感影像（以下简称高分影像）,这加速了遥感技术向农业、军事、交通出行、生态环境等领域的渗透。高分影像的地物分类和检测一直是遥感技术应用的研究热点,由于高分影像中地物种类繁多、尺度不一,存在同一地物不同大小,不同地物相似形状问题,基于传统的研究方法往往是针对特定任务人工设计特征提取器,只能提取颜色、纹理、梯度等浅层次特征信息,无法有效的提高影像解析的精度。改进高分影像的特征提取方式,充分利用高分影像的特征信息是提高影像分类和目标检测精度的关键。目前,深度学习技术已被广泛应用于遥感影像地物分类和检测相关领域,它的显著优势在于可以自动提取图像的高阶语义信息。但现有的基于深度学习的方法过于重视对网络提取的深层次特征信息的应用,而忽略浅层特征层所具有的位置、纹理等基本信息,同时忽略了深度学习以数据驱动为主的特性,而样本的多少能决定模型是否具有较强的鲁棒性和较好的泛化性。基于此,本文以现有的深度学习框架为基础,通过设计巧妙的特征提取模块以及数据预处理方式来提升高分影像分类和目标检测效果。本文具体的研究内容如下:针对高分影像的地物分类任务,本文提出基于增强Deep Lab V3网络的遥感影像分类模型,利用不同大小卷积核具有不同感受野的特性,构建R-MCN（Resnet Multi Convolutional Network）模块,将组合后的卷积核以横向、纵向分开卷积替代常规卷积减少模型计算参数量,提取特征图多尺度语义信息,接着采用可学习的上采样方式恢复由下采样或者卷积操作造成的细节损失,最后使用改进的损失函数Mloss,提高少类别地物的分类精度。通过与几种常用的深度学习影像分类算法比较,验证了本文所提方法的有效性。针对遥感影像目标检测过程中,现有的卷积神经网络算法难以自动融合最优的特征表达信息和不同尺度的目标地物检测适应性较弱等问题,本文提出了一种自适应注意力融合机制卷积网络模型,该模型以Efficient Det为基础框架,首先针对数据集的地物分布特征,采用stitcher-图像拼接的方式使得本身不具备某些尺度目标的图片中包含此类地物,缓解了尺度变化的问题,起到了平衡数据分布作用。然后构建自适应注意力融合机制（Adaptive Attention Fusion Mechanism,AAFM）,利用卷积和不同的池化方式集中特征图的空间和通道信息,并通过网络学习到的融合因子对其进行最优比例的融合。最后使用CIo U Loss回归更加贴近真值框的预检测框。在光学影像数据集DIOR的试验结果表明,相较于SSD、YOLOv4和Efficient Det等经典目标检测算法,本文方法有效提升了遥感影像目标检测精度,同时具有较强的稳健性。