导弹阵地作为防空反导系统中重要的组成部分,对其进行侦察、定位和识别具有重要理论意义和军事应用价值。光学遥感影像具有分辨率高、成像幅面宽等优点,被广泛应用于目标侦察识别领域。论文以可见光遥感影像中导弹阵地内发射场坪、发射掩体和制导场坪三类子目标的检测识别为研究对象,构建了知识驱动和数据驱动的两类目标检测识别方法,力图解决现有算法应用于大幅面遥感影像时存在的“误检多”和“效率低”两个难题,实验证明了所提算法的有效性。论文主要研究内容如下:分析了遥感影像中导弹阵地目标多方面特性,包括导弹阵地的整体特性、阵地内各子目标（发射场坪、发射掩体和制导场坪）特性以及遥感影像背景环境特性。导弹阵地目标特性的研究,为后续目标检测识别算法的设计工作奠定了技术基础。针对遥感图像中导弹阵地目标背景干扰多、搜索困难的问题,结合目标先验知识,提出了一种发射掩体与发射场坪目标协同检测算法。首先,为解决导弹发射车/架对矩形发射场坪轮廓提取时的干扰问题,设计了一种强鲁棒性的矩形目标定位方法,有效避免干扰对检测召回率的影响;随后,针对发射掩体目标搜索效率低难点,结合发射掩体和场坪的位置关联关系获取掩体大致区域,提升了检测效率;最后,对检测虚警较高的问题,根据场坪和掩体目标空间集群分布特性,引入基于密度聚类的后处理方法,降低了检测虚警率。实验结果验证了所设计算法的准确性和高效性。针对常规深度学习算法在应用于大幅面遥感影像时存在的处理效率较低、信息利用不充分等问题,提出了基于前置分类与多任务协同网络结构和背景负样本强化学习的大幅面遥感影像阵地目标检测方法。在网络结构设计方面,首先针对遥感影像处理效率低的难点,在现有模型基础上添加前置分类网络,与检测网络构成串联结构,实现对影像中大量背景区域的前期快速筛选,提升了检测精度和效率;其次为解决模型参数冗余问题,构建了一种包含分类和检测并联分支的多任务网络模型,两分支共用主干网络,分别完成前期分类筛选和后续检测识别任务,在减少参数量的同时进一步提升了检测效率。在模型训练方面,为解决现有算法对背景信息利用不充分问题,在训练过程中使网络强化学习背景负样本信息,大幅降低了检测虚警率。实验结果表明,提出的检测方法召回率高、虚警低,同时检测效率有所提高。最后,针对深度学习算法环境配置繁琐的问题,探讨了算法工程化应用方案,并将算法集成到Docker镜像中,降低了算法的部署与应用难度,为进一步的工程化应用奠定了良好的基础。