随着互联网的快速发展,网站用户及微博、微信公众号等新媒体用户的数量呈爆发式增长,媒体门户用于宣传或个人用户用来分享的图像数据随之大量涌现。其中地理信息门户网站会发布与地图相关的图片数据,如气象网站等,新闻媒体网站也应用地图图片。因此互联网上出现越来越多的地图图像,其中不乏一些表达不规范的地图,在公众中造成不良影响。为完善电子地图管理工作,需快速准确地识别出互联网中的地图并判断地图中的重要地理目标是否存在不规范的表达。开展地图目标识别研究对推动地理信息产业的健康发展具有关键作用。互联网地图图像数量庞大且地图特征复杂多样,传统的人工目视解译和人机交互方式难以满足大数据背景下的实际应用场景。目前,深度学习在计算机视觉领域中的运用技术已日趋成熟。为有效的从海量地图数据中挖掘和提取重要的语义信息,本文在深度学习技术的支持下开展地图目标识别研究,主要成果如下:（1）在互联网大数据背景下,开展基于深度学习的地图识别研究。利用地向网络爬虫技术获取互联网图片数据,构建地图/非地图样本库,在Res Net50网络中进行训练、测试及评价,用图像分类的方法完成地图图片的识别。（2）引入图像相似度计算的方法,在地图图像识别的基础上完成中国地图的识别。在孪生网络框架下通过使用卷积网络获取图片特征,并去掉分类器部分,将多维特征向量平铺到一维空间上计算地图图像相似度的方法,将地图样本输入到孪生神经网络模型中进行训练及测试,结果表明,基于孪生网络框架使用卷积网络获取图片特征进行地图相似度匹配的精度超过了93%,每张图像的运行速度也可达毫秒级。该图像相似度匹配方法的高准确度与高效性可以有效地从地图图片中识别出中国地图,为参考标准地图检索不规范地图及互联网地图监管提供了新的技术参考,为下一步的典型地理区域目标检测提供数据基础。（3）在中国地图中利用目标检测方法对典型地理目标进行识别。对比分析检测速度较快的YOLO网络和采用focal loss替换交叉熵损失函数的Retina Net网络的目标检测效果,综合评价目标检测精度与速度。实验结果表明,Retina Net网络准确率可达91%,综合运行时间的评分,依然比YOLO网络模型具有更优的目标检测性能。（4）引入语义分割方法对从像素级别对图像内容进行更深层次的理解。目标检测可以得到一个bbox范围,其粒度较为粗糙,不能满足具体的应用。比如在不规范地图的寻找与确定中,对于分界线错绘这个问题,使用目标检测就难以判断具体的线型是否绘制正确,利用U-net网络对地理目标轮廓线进行像素级别的分割与识别,然后将其与标准的边界线画法进行对比分析与规范性判断。通过二分类模型来进行更细粒度的地图不规范区域的寻找与分析,从而形成对地图内容的深度理解。（5）开发地图识别软件,将研究中已训练好的ResNet50网络模型集成到地图识别工具中,利用PyQt5框架实现图形用户界面（GUI）的搭建,满足无网络环境下的本地图片识别功能,将理论投入到实际应用,对互联网地图图片进行初步识别。