港口作为水陆之间交通的枢纽节点,不仅是进出口贸易中工农业产品物资的集散地,还是战争中的补给处,在经济、军事上都有很重要的作用。由于港口形状多样、特征复杂,基于遥感影像进行港口自动识别十分困难。针对港口难以自动识别的问题,本文采用在高分辨率光学遥感影像上使用深度学习和地理空间分析相结合的策略识别港口。首先,本文分析了港口的要素组成,并据此构建了一种船舶-码头-港口递进式识别模型。设计了先通过对在遥感影像上特征最为显著的有船舶停靠的码头进行图案识别,再根据码头组成港口海域基本形状的先验知识,使用空间聚类和热点分析算法对港口区域进行综合判别的识别方案。其次,使用常见的遥感有船码头数据集对三种主流的深度学习目标识别算法Faster R-CNN、YOLO v3、SSD进行训练,生成了有船码头识别模型。应用测试数据对模型进行了识别对比,根据精度均值指标对其进行评估,结果表明YOLO v3更适用于有船码头的识别,确定了码头识别算法。之后,针对现有遥感有船码头样本数据量少的问题,收集并标注了大量码头样本,构建了有船舶停靠的码头样本数据集。根据码头影像特点制定了以旋转、翻转和放缩的方式进行样本增广的策略,提高YOLO v3模型的泛化能力,使模型在测试集上的精度均值达到了 93.07%。再针对大幅遥感影像的识别困难问题,研究了基于YOLO v3与滑窗识别策略的码头识别模型。通过非极大值抑制算法增强了模型的多尺度识别能力,使模型的准确率提升了 13.69%,召回率提升了34.74%。面向码头识别在实际应用中面对复杂情况时漏检和误判的情况,选取日本沿岸港口码头作为实验区,沿海岸线使用谷歌瓦片拼接识别所用遥感图像。并在识别后获取影像底层特征回归出码头类别和像素坐标。最后,将码头点位转化为地理坐标,使用Getis-Ord Gi*统计指数进行热点分析,并利用经典的密度聚类方法,从空间分析的角度实现了对港口范围的提取。通过对实验区的识别对比验证,改进后模型对港口港池识别的比例达到82.79%。