遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器（编码器）,空洞空间金字塔池化（ASPP）模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。