高分辨率遥感影像作为各种地物信息的综合体,地物细节信息丰富,传统的人工遥感影像目标识别技术和基于像元的遥感影像分类方法无法满足人们对高分辨率遥感影像目标识别的精度要求与时效要求。因此,研究新的高分辨率遥感影像目标识别方法具有重要的理论研究意义与应用价值。深度学习是机器学习的一个重要分支,在实际应用中表现良好甚至达到了人眼识别的水平。卷积神经网络（Convolutional Neural Network,CNN）作为一种广为研究与应用的深度学习模型,被认为是最强大的图像识别模型。本文将CNN深度学习模型应用于高分辨率遥感影像目标自动识别。构建了基于CNN模型的高分辨率遥感影像场景分类框架,并建立了基于AlexNet和VGG-Net两种卷积神经网络的场景分类模型;提出了一种基于AdaBoost算法的区域卷积神经网络（R-CNN）改进模型,该模型使用AdaBoost算法代替选择性搜索（Selective Search）算法在影像中提取待识别目标的候选区域,并通过AlexNet卷积神经网络识别高分辨率遥感影像的目标地物。本文研究结果如下:（1）构建基于卷积神经网络的高分辨率遥感影像场景分类模型。本文以高分辨率遥感影像Uc Merced和SIRI-WHU数据集为实验数据,选取1080幅遥感影像作为训练集。首先使用所提出的AlexNet和VGG-Net两种卷积神经网络模型提取训练集样本的场景特征,并使用支持向量机（SVM）对提取的特征向量进行分类;然后将该模型进行验证优化、参数修正后,得到调优后的场景分类模型;最后,通过对比基于词袋模型的高分辨率遥感影像场景分类方法的分类效果,验证了卷积神经网络在高分辨率遥感影像场景分类的有效性。（2）提出了一种基于AdaBoost算法的R-CNN改进模型。本文以高分辨率遥感影像数据集DOTA数据集为实验数据,仅保留包含车辆的数据样本,将样本中的机动车车辆作为识别目标。首先使用AdaBoost算法代替选择性搜索算法对图像进行候选区域提取。然后使用AlexNet卷积神经网络对1200幅训练数据进行卷积训练。最后使用SVM进行特征分类,并对候选框位置修正得到车辆目标识别结果。实验结果表明,基于AdaBoost算法的R-CNN改进模型相较传统的R-CNN模型,在高分辨率遥感影像车辆识别上不仅识别率更高,识别速度也更快。（3）建立徐州市高分辨率遥感影像车辆实景数据集进行车辆识别的实验验证。本文建立徐州市高分辨率遥感影像车辆数据集,数据集的图像来源于Google Earth,通过对徐州市市区与铜山区的高分辨率遥感影像进行裁剪,剔除不包含车辆图像,仅保留380幅包含车辆的遥感影像作为实验的数据集,每幅图像的大小是227×227像素,空间分辨率为0.5米。使用基于AdaBoost算法的RCNN改进模型对实景影像进行车辆识别,实验结果表明车辆的识别效果良好,证明了改进后的CNN模型在高分辨率遥感影像目标识别领域具有很强的泛化能力和鲁棒性。