随着遥感技术和目标检测技术的不断发展,对遥感图像的识别研究也越发地深入。早先的目标检测算法效率低下,对特征的利用不够充分,其不但需要手动提取目标特征,而且这些特征的稳定性不高,极其容易受到干扰,从而使得检测算法的识别效果大大降低。遥感图像的目标检测在国防领域,可用于检测港口和打击军事目标;在民用领域,可用于救援中船只和灾难预测等,因此遥感目标检测的研究显得格外重要。随着GPU的计算能力越来越强,遥感图像中的目标检测算法研究进入了全新的时代,由从前的传统手工特征设计转向大数据趋势的基于深度学习的检测算法研究。提出基于卷积神经网络的遥感目标检测算法的研究,并且在以下几个方面做出了创新性的研究成果:第一,提出了基于IOT的采样策略。通用的卫星高空场景拍摄的图片中,目标占据遥感图像的比例非常小。目前的通用目标检测算法,如SSD算法,其对目标的采样策略是基于IOU的采样标准,这种采样在网络的训练中会造成目标尺寸的不完整,从而使得网络的训练样本的尺度不完整。基于IOT的采样标准来提高采样目标完整度,并通过随机调节采样框的大小使得网络对目标进行多尺度采样,最终使得算法的检测精度获得了明显的提升。实验表明:改进后的采样策略能够较好地丰富目标的尺度多样性,使得算法的检测准确度得到了明显提升。第二,研究了一种基于网格分类的分散遥感目标检测算法。首先对遥感图像进行均匀地网格划分,使用卷积神经网络对包含目标的网格进行预测,从而确定图像中遥感目标的潜在区域。然后根据目标网格的八邻域准则对目标的候选网格区域进行合并,并对目标合并的网格区域进行扩张,从而得到最终的目标候选区域。经过前面的网格分类算法处理后,基本确立了图像中需要检测的目标范围,并且该目标范围相对于原图像来说极其小,后面就可以采用简单的卷积神经网络对网格分类以后的目标候选区域进行分类和检测,从而得到最终目标检测结果。实验表明:相比于如SSD、RFCN、Faster RCNN等目前通用的检测算法,该遥感目标检测算法的准确度提升较为明显。同时,该算法相比遥感领域中的遥感目标检测算法R2CNN和R2CNN++而言,检测效果也较为良好。