目标自动解译是高分辨率光学遥感图像应用领域的重要研究内容，在土地资源调查、城市规划、军事侦察等领域有着广泛的应用。能否提取到符合图像规律的特征对目标解译方法的成功至关重要，基于人工特征设计的目标解译方法往往依赖于科研人员的经验和专业知识。随着成像分辨率的提高，目标的纹理、颜色等局部特征随光照、云雾等因素的变化而呈现更加复杂的变化规律，依靠人工设计来提取符合这些变化规律的图像特征变得更加困难，限制了解译方法的实用性。与之相比，深度学习方法能够通过非监督训练自动从数据中学习到表达能力较强的特征，一定程度上克服了人工特征设计的不足，因此在计算机视觉等领域受到科研人员的广泛关注。　　本文将针对高分辨率遥感图像目标提取与检测识别，利用深度学习理论中的相关方法，提出具有较高实用性的目标解译方法。为此，本文着重研究了基于深度学习的目标形状先验建模、深度神经网络训练算法及优化、图像特征快速提取等问题，并将相关理论和优化方法融入遥感图像解译目标框架中，形成对特定问题的一体化模型和算法框架，解决了高分辨率光学遥感图像目标提取、检测和识别等应用中的若干问题。　　论文的主要工作和研究成果总结如下:　　1.提出一种融合深度神经网络形状先验模型的遥感图像目标提取方法，以降低阴影、边缘缺失等干扰因素对目标形状轮廓提取的影响。首先，该方法采用一种基于深度玻尔兹曼机模型非监督学习的方法进行目标形状先验特征的建模，使得这种特征能够通过深度玻尔兹曼机参数迭代更新的方法自动优化，避免了人工特征设计中参数选择等问题带来的不确定性。在此基础上，该方法通过优化一种融合图像信息和目标形状先验信息的图像能量函数达到特征提取的目的，本方法采用了一种融合边缘检测子和区域像素均值差的函数作为图像信息能量项，该能量项能在函数优化的过程中自动消除图像中阴影的影响。本文采用一种基于Split Bregman算法的参数交替更新方法进行能量函数的迭代优化。实验结果表明，本文方法能够较好的消除目标阴影、边缘缺失等干扰因素的影响，与无形状先验的目标提取方法相比，目标提取精度提高7％以上。　　2.提出一种基于稀疏深度置信网络的图像目标识别方法，以抑制遥感图像中复杂背景对目标特征提取和识别带来的影响。本方法主要分为基于非监督训练的特征提取和基于监督训练的特征微调两个过程。在目标特征提取中，本方法构建了一种混合结构稀疏约束模型，用于限制玻尔兹曼机的非监督特征学习，以抑制图像中的干扰信息。在非监督特征学习的基础上，本方法利用深度置信网络模型进行到目标的分类识别，为了在监督训练中保持特征的稀疏性，本方法采用了一种添加稀疏约束的反向传播算法进行深度置信网络的监督训练，达到稀疏特征微调的目的。最后我们利用从Quick Bird卫星图像中搜集得到的飞机图像数据集进行了参数选择分析和实验验证，实验结果表明本方法学习的特征更为鲁棒，可以有效地提高分类模型的泛化性能，与基于特征选择的方法相比，目标识别准确率提高3％以上。同时本实验验证了深度神经网络在大规模数据的分类问题上具有更高的效率。　　3.提出一种基于深度置信网络和图像显著性的遥感图像目标快速检测方法。为了提高目标的定位搜索效率和精度，本文采用一种不重叠的窗口初始化搜索方法，利用图像显著性标注结果，通过迭代优化的方法进行目标定位。图像显著性标注能够在图像颜色变化明显的情况下获得较为稳定的目标分割结果，在快速搜索的过程中保证目标的定位精度。在此基础上，本方法利用深度置信网络模型进行目标的特征提取和分类，传统的限制玻尔兹曼机非监督训练方法通常将整幅训练图像作为输入，无法对目标局部结构特征进行充分编码，本文采用一种基于图像分块策略的非监督训练方法，即将显著性图像和原图像同时作为训练数据，同时利用局部区域约束，使限制玻尔兹曼机对局部区域结构特征的表达更充分。实验结果表明，本文方法能显著地提高目标检测准确率、降低虚警率，与采用滑动窗方法的检测算法相比，效率提高50倍以上。