由于城市化的不断推进和城市管理智慧化的快速发展,深入分析涵盖了大面积、多目标的遥感图像至关重要。随着人工智能技术的进步以及计算设备的更新,基于深度学习的检测方法逐步被应用于遥感图像分析任务中,而且相比传统检测方法往往具有更高的检测精度和抵抗干扰能力。车辆作为城市交通管理的主要对象,在遥感图像中具有尺寸小、数量多、类别数量不平衡和周边环境复杂等特点,对其位置和数量进行检测具有十分重要的意义。传统的基于目标框的检测算法以一个候选区域为检测单位,在检测小尺寸和被部分遮挡的目标时,算法精度会明显下降。另外,由于单一数据集数据量的限制,模型难以通过训练提取到足够丰富的特征,限制了算法最终所能达到的检测精度。建筑物作为土地资源管理的主要对象,所占面积常发生改变,对其进行变化检测是一项十分重要的工作。变化检测需要处理在相同位置不同时间下拍摄的图像,由于光照和季节的不同,这些图像会呈现出不同的风格,使得检测区域缺失或产生噪点。针对图像尺度大和环境信息复杂的特点,传统方法常使用视觉注意力机制优化模型提取的特征,但它们优化的大都是单幅图像内的不同特征或区域,没有根据图像间的差异进行针对性的优化。针对上述问题,本文在检测形式、模型结构、数据处理方法等方面对传统方法进行了改进,主要研究工作与创新点如下:1、设计了基于预训练与随机初始化融合网络的遥感图像车辆检测算法:使用回归车辆空间密度图的方法,以像素为单位对车辆进行检测,并通过在密度图上使用聚类算法实现对车辆的定位和计数;设计预训练与随机初始化融化网络,使用随机初始化和预训练的模型以并联的形式共同作为编码器进行特征提取,保留的随机初始化网络能根据当前数据库的特点进行拟合,而加入的预训练模型能丰富特征的种类;设计融合特征编码器,通过对特征的拼接和加权实现对来自不同类编码器的特征的融合。2、设计了基于图像差异注意网络的遥感图像建筑物变化检测算法:使用预训练模型和差分算法得到特征差异图,再通过设计的特征差异注意力模块对网络内提取的图像特征进行优化,使得网络更关注两幅图像特征差异明显的区域;使用边缘检测算子和差分算法得到边缘差异图,再通过设计的边缘补偿模块对网络内提取的图像特征边缘进行补偿,使得变化检测结果中区域的边缘更完整;设计采用编解码结构的图像差异注意网络,输入两幅图像,通过主干提取图像特征,并先后使用特征差异注意力模块和边缘补偿模块优化网络提取的特征,最后得到两幅图像的变化区域。在多个公开数据集上,本文通过消融实验分别验证了上述创新方法的有效性,同时通过对比实验证明了所提方法在相关主流评价指标上优于传统方法。最后,本文总结了提出的创新点对相关领域的贡献并对后续研究的发展进行了展望。