近年来,随着高分辨率遥感技术的发展,如何在遥感影像中快速检测车辆目标成为研究热点。车辆目标的智能识别与提取在宏观交通状态判别、灾害检测、军事目标识别等领域发挥重要作用。已有的车辆目标检测方法主要是依赖特征提取算子,检测算法的性能依赖于算子的表达能力。由于在遥感影像中车辆目标在视场中的占比小,并且存在背景干扰、遮挡等原因,使得传统方法在遥感影像车辆检测上面临诸多挑战。近年来迅速发展的卷积神经网络在遥感影像目标检测领域取得了重要进展。与传统方法需要结合目标识别任务人为设计特征提取算子不同,卷积神经网络能够充分挖掘图像信息,自动提取出有利于目标任务的特征。为了提高对遥感影像的检测效率、提高目标检测的准确率和可靠性,本文围绕遥感影像中车辆目标自动检测问题,研究车辆目标潜在区域提取、基于卷积神经网络的车辆分类等关键技术,在此基础上设计具有较高检测精度的遥感影像车辆目标自动识别算法。本文主要研究内容如下:针对遥感影像目标检测中背景干扰,提出了基于超像素分割的区域合并算法,用以提取建筑掩模。该方法首先通过超像素算法对遥感影像及对应的高程影像进行预分割获取两组超像素集合;其次,定义了超像素区域分裂及合并规则并构建基于双重过分割区域集的结点聚类集合生成建筑掩模,从而有效排除影像中的冗余信息,减少后续目标检测算法的空间和时间复杂度。针对遥感影像中小目标识别问题,基于NGD优化算法,设计出一个新的深度神经网络模型结构。在COWC数据集上的实验表明,与其它方法相比,本文提出的新的网络模型在遥感影像车辆检测任务中性能优异。针对车辆目标遮挡的检测问题,本文提出了一个基于双路输入结构的卷积神经网络方法,并通过条件随机场对卷积神经网络的输出进行优化。通过多分支神经网络,本文实现了目标检测与高分辨率分割的结合。在ISPRS数据集上的实验证明,通过引入高程数据能够有效提高目标检测的精度。