随着遥感卫星技术飞速发展,大批遥感卫星涌现,生成了海量遥感图像数据。这些遥感图像数据具有重要的研究与应用价值,其中遥感图像目标检测与识别具有广泛的应用前景,一直以来都是学术界研究的热点。遥感图像目标检测是指在遥感图像中找到关注的目标并给出具体位置,遥感图像目标识别则是对某个目标的进一步分类,它们是遥感图像处理领域长期以来关注的问题。卷积神经网络CNN(Convolutional Neural Network)凭借其包含的深层语义特征在计算机视觉领域取得了巨大的成功,近年来也越来越多的被应用到遥感图像目标检测与识别任务中。然而,现有的基于卷积神经网络的遥感图像目标检测方法依赖大量bounding box数据(位置信息数据)进行训练,需要耗费大量人工标注成本,同时由于遥感图像的目标样本数量有限,不足以支撑大规模训练;另外现有的基于卷积神经网络的遥感图像目标识别方法仅考虑网络的深层语义特征,导致识别性能达到瓶颈。为解决上述问题,本文基于卷积神经网络对遥感图像目标检测与识别算法进行研究。本文首先阐述遥感图像目标检测与识别的研究背景和现状,分析和介绍了遥感图像目标检测与识别算法以及深度学习理论研究进展。针对遥感图像目标检测任务,提出了一种新的基于深度特征的遥感图像目标检测方法,利用CNN提取的深度特征提取感兴趣区域,并通过多个尺度的CNN对感兴趣区域进行目标确认,该方法无需bounding box数据进行训练,并且提高了检测准确率,降低了漏警率。在遥感图像目标识别任务中,设计了一个更加适合遥感图像目标识别任务的卷积神经网络,并提出了卷积特征融合方法,充分利用网络浅层特征和高层特征来提高识别正确率。本文的主要贡献点如下:(1)针对目前基于深度学习的遥感图像目标检测方法依赖大量bounding box训练数据以及遥感图像目标样本不足的问题,本文使用高分辨率遥感图像训练卷积神经网络,然后利用该网络对低分辨遥感图像提取深度特征,获取感兴趣区域,最后采用多尺度的卷积神经网络进行目标确认,从而高效地完成目标检测。实验结果显示,相比其他同类型方法,本文提出的方法提高了目标检测的准确率,降低了漏警率,鲁棒性强,同时该方法无需bounding box数据进行训练并大幅减少了网络训练时间。(2)由于目前基于深度学习的遥感图像目标识别方法往往仅采用网络最深层的抽象语义特征进行识别,而忽略了网络浅层特征,本文首先设计了一个更加适合遥感图像目标识别的卷积神经网络,然后提出了一个端到端的卷积特征融网络,通过全局平均池化方法提取网络的不同深度特征,并将其线性融合。通过与其它方法的实验结果对比分析可知,本文提出的方法提高了目标识别性能并且具有一定的普适性。