为推进新一代人工智能技术的快速发展和优化迭代,世界诸多国家均在积极部署人工智能发展战略规划。自2017年以来,我国以积极开放的姿态推动人工智能发展,相继发布了包括《新一代人工智能发展规划》、《国家新一代人工智能标准体系建设指南》等政府文件。人工智能已经成为国家重点布局领域,人工智能技术将不断在军事和民用等领域发挥其独特优势。特别是面向军事监测领域,人工智能技术具有巨大的应用价值。近年来,我国机载、星载、弹载成像系统发展迅速,已具备多平台、多光谱、多波段、多模式、多极化和高分辨的对地成像能力,积累了海量高分辨率多源遥感图像数据。相比于成像技术的快速迭代发展,多源遥感图像智能解译尚处于起步阶段,多源遥感图像的高价值情报信息获取能力较弱,在精准性、实时性等方面难以满足应用需求。为此,如何利用先进的人工智能技术,实现对海量高分辨率多源遥感图像数据的高效智能解译,提炼高价值情报信息,提升情报解析的智能化水平,是亟需解决的关键技术难题。面向未来实际军民工程应用,以多源遥感影像作为基础数据源,以遥感图像目标识别为任务导向,围绕数据、算法、算力三方面,开展多源遥感图像智能目标识别技术研究,实现多源遥感图像智能解译的探索,为推动遥感数据向遥感信息的智能转化提供关键技术支撑。论文的主要研究内容如下:（1）现有算法大多针对特定近景目标,对于飞机、油罐、船舶等大范围遥感图像目标识别鲜有涉及。为此,本文提出了基于深度核学习的光学遥感图像目标识别算法。该算法采用粗检测加精检测的两阶段模式。首先,设计了基于视觉显著性机制的目标区域提取算法,定位感兴趣区域;进一步地,构建了基于非线性深度核学习的显著性特征分析及识别模型,实现目标识别。基于公开和自建的遥感图像数据集验证了方法的有效性。（2）复杂军事应用场景下背景干扰严重且不同参数SAR图像质量存在巨大差异,极大影响SAR目标识别效能。为此,本文提出了基于PCA与深度学习融合框架的SAR图像目标识别系统。该系统首先利用PCA对输入SAR图像进行统计降维,保留SAR图像显著特征信息;进一步地,将降维图像输入Faster RCNN深度学习模型中,实现对SAR目标的精准检测。此外,基于运-7飞机试验平台,构建了一套机载SAR数据采集系统,自建了一个真实场景SAR图像目标数据集,并基于自建的SAR图像目标数据集验证了本文方法的优越性。（3）由于拍摄高度高、视角变化快、目标尺寸多变、图像畸变、目标与无人机之间相对运动等因素,导致无人机视频目标识别任务极具挑战,现有算法难以均衡检测精度与速度。为此,本文提出了一种并行集成轻量化深度学习框架,采用全局与局部的联合检测策略,实现无人机视频多目标实时检测。该框架融合轻量化深度学习与模板匹配,充分挖掘显著特征信息;并集成多进程和多线程机制以加快实时目标检测速度。进一步地,从工程应用角度设计了一种无人机地面站目标检测系统,实现了对地面视频目标实时精准检测识别,并实时稳定显示检测结果。基于自建的无人机遥感影像数据集验证了本文方法的有效性。（4）为实现无人机向自主化智能化方向转变,满足硬件资源有限机载平台对目标检测精度和实时性的均衡需求,本文开发了一套面向机载平台的深度学习模型压缩与加速技术系统。首先,研究深度神经网络压缩与加速技术,通过融合多种压缩与加速方法,设计了更适用于多源遥感图像目标识别框架的压缩与加速策略;进一步地,设计了基于DSP+FPGA的嵌入式深度学习方案,以DSP为主处理器实现主流程控制,FPGA为协处理器用于实现深度神经网络的AI加速,以满足实际应用需求。基于自建的遥感图像数据集和嵌入式演示平台验证了本文方法的有效性。本课题研究工作可为多源遥感图像目标识别领域提供关键技术支撑和工程应用参考,可实现侦察图像快速有效地辅助决策,提升图像侦察装备利用率,改善图像侦察装备的作战效能,提升战场情报支援的时效性和智能化水平。