随着航空航天和成像技术的快速发展,通过星载、机载、智能设备等获取到的图像数据与日俱增。对于这些海量图像的解译工作更是渗透到军事、民生等各个领域。目标检测作为解译的基础工作之一,无论是在军事打击、目标跟踪、还是畜牧管理等领域都具有重大意义。本文分别从三个方面对目标检测技术进行探索和创新:(1)针对大幅、复杂背景光学遥感图像的飞机目标检测问题,提出基于层次视觉和先验信息的遥感图像弱监督飞机目标检测方法。光学遥感图像具有高分辨率、大幅宽等特点,包含丰富的地物信息。正是如此,为目标检测任务带来巨大挑战。本文以素描图的稀疏表示模型为基础,依据飞机形状的结构先验,通过素描图中线段与线段之间的位置关系,提出基于机翼夹角的潜在飞机素描线段提取方法;利用原始图像灰度图中面上的灰度信息,交互使用素描图和原始图像灰度图,线面结合,对前一步骤结果进一步筛选;构建平行线约束,提取对称机翼;再次利用原始灰度图,通过区域生长实现飞机目标定位。最后与圆周频率滤波飞机目标检测方法进行实验对比,结果表明该弱监督检测方法在大幅、复杂背景下的光学遥感图像飞机目标检测中,具有优越性。(2)提出基于素描图的飞机候选框提取算法,并结合Fast R-CNN网络达到检测飞机的目的。首先,在候选框提取算法中,利用素描图的稀疏表示模型,设计基于机翼前缘约束的潜在成对机翼素描线段提取方法,并针对不同角度朝向的飞机,设计不同的候选框获取方法,得到飞机的候选区域。实验结果表明,与Selective Search候选框提取算法相比,基于素描图的候选框提取方法可以达到更高的召回率。其次,结合Fast R-CNN技术,利用前面步骤得到的飞机候选框,设计交叠、多尺度分块策略对网络进行训练和测试,实现对大幅光学遥感图像的飞机目标检测。(3)提出基于显著性机制的深度弱监督目标检测修正方法。在深度学习领域,以对抗性互补学习框架为基础的弱监督目标检测方法,无需人工标注物体边界框,仅以图像级标签进行分类训练,利用网络的激活图即可得到目标所在位置。但该类方法仍然存在检测结果精度低、检测结果框与目标之间重叠度低等问题。本文针对此问题,在以激活图为基础的弱监督目标检测网络中,引入显著性机制,构造显著性损失,引导网络学习到目标更多部位的特征,提高网络中特征图被激活的位置与待检测目标所在位置的重叠度,从而提高目标检测的准确率。与其他方法的对比实验结果证明了该方法的有效性。