基于深度卷积神经网络的目标检测方法是近几年的发展热点,在视频监控、医学图像处理、人脸识别、自动驾驶等多种方向都有着很广泛的应用,特别是对遥感图像的检测,在军用和民用领域都有着极大的研究价值与空间。本文探究了应用深度卷积神经网络进行目标检测的方法,分为以下两个部分:以遥感影像识别为背景,提出了一种基于深度卷积神经网络的定位与检测方法。该方法在使用两步检测器结构的基础上,改用残差网络提取特征,简化了学习目标的难度,避免了随着网络深度的增加造成的分类精度饱和问题;改进了CNN模型的候选区域生成网络,增加RPN网络中的anchor数量,让模型更加适合遥感飞机图像的检测;改进了CNN模型的目标定位网络,使用soft-NMS方法代替原有的NMS方法,改善在有物体相互遮挡情况下的目标检测性能。本文以RSOD数据集中的遥感飞机目标进行试验,对数据集使用翻转和旋转的方法进行数据增强并进行了透视矫正,在训练阶段,使用了一种使Faster R-CNN模型中的RPN部分和Fast R-CNN部分共享卷积层的训练方法。通过对训练的网络模型进行试验,定量评估了检测性能,并在不同的遥感数据集上进行试验验证。本文还设计了不同anchor数目、不同目标定位网络下的对比试验,试验表明本文提出的算法性能优越。在试验验证集上最终检测精度达到了89.72%,说明该算法可以有效实现对于遥感飞机图像的目标检测任务。针对发展空间巨大的遥感卫星视频数据处理问题,本文使用一种基于改进帧差法和Faster R-CNN网络模型的遥感图像运动目标检测方法。该方法使用间隔帧提取图像重新组合图像帧序列的方法对帧差法进行改进,并对视频目标进行初步检测,之后进一步使用本文提出的基于两步CNN检测器的遥感图像识别模型对单帧视频中的图像进行识别,提高算法的精度。最终在测试视频上的检测精准确达到了85.49%,平均每帧检测时间为2.563秒,说明将Faster R-CNN模型应用于卫星视频数据处理是可行的,但在实时性的提高方面还有很大的发展空间。