遥感图像目标识别是一种图像级的任务,目的是分辨遥感图像中物体的类别,在军事安全、海上交通等方面应用广泛。近年来,深度卷积网络在遥感图像识别任务中表现优异,相对于传统方法展现出巨大优势。目前,深度学习在遥感图像目标识别领域主要的研究方式为利用注意力机制获取辨识性特征或是加入检测、分割等子网络定位识别重点区域。然而,多数遥感图像目标识别研究仅适用于高分辨率遥感图像。针对低分辨率遥感图像目标识别准确度较低的问题,本文提出了基于特征平衡的遥感图像目标识别方法。低分辨率图像包含的细节信息有限,因此引入超分辨任务作为识别网络的辅助任务,用于提供有利于识别的细节信息。普通的特征融合方式无法有效利用超分辨任务提供的特征,为了解决这个问题,提出基于特征平衡的特征融合策略,将超分辨任务生成特征中的强、弱特征有选择地融入低分辨率图像粗略特征中,之后利用分类支路产生的梯度加权类激活图优化超分辨支路。上述过程经过多次交互迭代,逐步提高分类准确度。为了促进对低分辨率遥感图像的研究,本文构建并公开了一个名为LFS的新数据集,它包含4591张分辨率较低的遥感图像及其类别标签。此外,遥感图像获取困难,标注成本高,可用于识别的有标签数据有限。为了解决少量标签数据的问题,本文还研究了如何利用少量训练数据获取识别准确度较高的识别网络,并提出了基于负相关损失的遥感图像目标识别方法。集成学习能够通过生成多个个体学习器提升网络整体性能,因此将集成网络作为整体网络基础架构。为了有效发挥集成网络的优势,本文设计负相关损失,在不同子模型间添加特征约束,促使网络中产生多样性互补信息,减少因过度拟合少数训练数据而导致的分类边界错误的情况。在此基础上,利用平均策略集成多个输出,集成过程中多样性结果的误差相互抵消,从而提升模型识别准确度。综上,本文从低分辨率遥感图像和少量标签数据两个角度出发,分别提出了基于特征平衡的遥感图像目标识别及基于负相关损失的遥感图像目标识别两个方案。实验结果表明,基于特征平衡的识别方法能够有效识别低分辨率遥感图像目标,基于负相关损失遥感图像目标识别网络在少量样本的训练下能够达到较高的识别准确度。