随着经济的不断发展,私家车持有量不断增长,交通网络布局与城市规划适应性矛盾突显,迅速增长的交通需求远远超过了城市交通领域基础设施的跟进建设速度,日益严峻的“停车难”问题,是便民出行的一大障碍。与此同时,飞速发展的卫星遥感技术已经成为空间对地面观测的主要技术手段和数据来源,借助遥感数据可以根据不同任务完成相对应检测。为缓解“停车难”问题,发现停车区域以及停车位资源是深度学习在遥感数据下新的挑战。因此,本文将深度学习理论应用到遥感图像中停车场的识别问题,给出基于深度学习的遥感图像车辆检测方法,同时借助数据挖掘算法实现对遥感数据下停车区域、停车位资源的发现和识别。针对传统目标检测算法在识别遥感图像小目标物准确性低、速度慢的缺点,本文将深度学习理论与遥感图像目标检测任何结合,采用Darknet深度学习框架对基于回归的YOLO模型进行构建和改进,添加了残差结构,使模型的mAP达到了94%,调整了模型输入限制,加入了图像剪裁拼接的功能,同时建立用于实验的遥感数据集,得到遥感图像汽车检测模型。针对遥感图像汽车检测模型输出结果,采用数据挖掘技术以及遥感图像停车区域发现方法和遥感图像停车位预测方法,对结果集进行建模分析,最终完成遥感图像下的目标检测任务。针对遥感图像停车场选取困难的问题,设计了遥感图像汽车检测,遥感图像停车区域发现,遥感图像停车位数量预估,共同解决遥感图像下对停车区域和停车位的发现任务。