对高分辨率遥感图像中的车辆目标进行检测是遥感图像分析领域的热点研究内容之一。车辆目标的智能识别和提取，对于交通管理、城市建设具有重要的意义。随着遥感技术的不断发展，遥感数据的获取更加便利，图像中的细节信息更加丰富，为车辆检测的研究创造了非常有利的条件。然而，在遥感图像中目标背景复杂多变，传统的基于人工设计的特征提取方法难以取得良好的特征提取效果。此外，遥感图像数据量的不断提升也为检测任务带来了新的挑战，如何提升检测算法的效率成为新的研究重点。　　针对以上问题，本文以卷积神经网络为基础，就如何对复杂场景中车辆目标进行有效表示以提高检测系统性能这一问题展开了深入研究。在此基础上，结合有效的大场景遥感图像目标候选区域的搜索方法，完成了遥感图像中的车辆目标检测任务，解决了检测过程中存在的若干问题。　　本文的主要研究工作以及创新点如下:　　1.提出了一种基于卷积神经网络的车辆目标特征提取方法，以抑制遥感图像中复杂多变的背景对特征提取所产生的影响。卷积神经网络具有出色的特征表达能力，能够有效地将目标和背景特征进行区分。针对网络因全连接层参数过多而容易产生的过拟合问题，本文提出一种基于分段训练策略的卷积神经网络训练方法。对于网络中的卷积层，将利用监督学习的方式进行训练。对于全连接层，将采用去噪自编码器的训练方法进行训练。本文中将采用分段训练策略训练的网络称为去噪卷积神经网络。实验结果表明，该网络在车辆数据集上具有良好的分类性能，与基于人工设计特征的分类方法相比，分类准确率提高10％以上。　　2.提出了一种基于显著性先验的车辆目标搜索定位方法，以改善在遥感图像目标定位过程中无法充分利用光谱、结构等特征的问题。通过对目标、背景特征的比对分析，提出利用直方图对比度算法将车辆目标从背景中进行有效分割。然后采用一种定位窗位置的迭代优化算法来完成目标候选区域的提取，从而有效改善传统定位方法效率不足的问题。在该定位算法和去噪卷积神经网络的基础上，本文构建了一套大场景遥感图像中的车辆目标检测框架。实验结果证明该检测框架具有良好的检测性能。