基于深度学习的目标识别算法拥有良好的检测性能,如何实现在轨快速高效的可见光遥感图像目标识别,增强时效性,提高星地通信带宽利用率,具有重要的研究与应用价值。受运算资源限制和空间环境的影响,深度学习目标识别算法在轨应用面临很多新的挑战。论文从算法设计、软件实现和在轨验证平台三个方面,对基于深度学习的可见光遥感图像在轨目标识别技术开展研究,主要内容和创新点如下:（1）面向遥感载荷原始数据的目标识别算法研究未经过预处理的遥感载荷原始图像数据可能存在噪声干扰、几何畸变等问题,论文针对以上问题提出了一种改进YOLOv5算法,通过对模型输入层的修改和特征提取层的改进,可将原始载荷图像中飞机和舰船目标的识别召回率提升35%以上。针对载荷原始数据量过大影响识别处理速度的问题,通过采用JPEG2000压缩和目标识别相结合的处理流程,可提高对载荷原始数据目标识别的时效性。（2）星地协同的星载目标识别算法在轨升级方法研究为了增强星载目标识别算法的泛化能力,论文首次将半监督学习的思路应用于卫星的在轨目标识别算法升级,提出了一种端云协同的星载深度学习目标识别算法自动更新方法,通过卫星下行样本数据自主筛选和地面云服务器的算法迁移相结合,构建了星地协同的星载算法自主更新闭环回路。基于DOTA和DIOR两个数据集的算法模型交叉迁移实验表明,该方法可使星载算法的m AP提升6.1%以上,显著改善了目标识别性能。（3）深度学习目标识别软件容错技术研究深度学习算法软件直接在轨应用易受空间环境引发的SEU等暂态效应影响,导致输出异常并影响成果产出。论文针对上述问题通过大量的错误植入实验,从多个角度对常用的基于CNN的目标识别算法进行了容错性能分析,提出了一种新的模型层软件加固方法AMHR,通过强化学习算法训练实现了对CNN模型中软件错误敏感的卷积核的搜索和加固,可使目标识别算法输出异常结果的概率降为原始模型的30%,性能优于其他的选择性加固方法。（4）星载智能处理平台研制与验证为了对主流智能芯片在轨应用的可行性进行验证,我们依托空间新技术试验卫星项目完成了异构多核智能处理单元的研制工作。该单机实现了GPU、ASIC等不同架构智能计算单元的集成。卫星成功发射后利用该平台开展了预存储算法在轨运行测试,初步证明该智能计算单元能够实现深度学习图像处理算法在轨运行的基本功能。