近年来,随着图像传感器技术与航天航空遥感技术的高速发展与进步,高分辨率的图像数据量显著提高。而高分辨率图像在带来更多信息的同时也带来了更复杂的背景信息。如何快速准确地从高分辨率的遥感图像中获取飞机舰船等感兴趣目标的位置成为遥感卫星图像分析领域的重要研究方向之一。由于光学遥感图像中存在大量的干扰,仅依靠传统图像方法很难在复杂的背景和光照变化中保证识别的准确率。与此同时,随着深度学习的不断发展,目前深度学习在图像分类,目标检测,分割等多个领域取得了瞩目的成绩。本文研究的方向是用深度学习方法来解决光学遥感图像中的目标的检测与分割任务。本文主要进行了以下几个方面的工作:(1)以飞机目标为例,利用基于深度学习的单发多框检测器算法实现了光学遥感图像目标检测。单发多框检测器算法是一种针对自然图像设计的单阶段深度学习目标检测算法,速度较快,准确率较高。论文分析了光学遥感图像与自然图像的不同点导致的问题,如:标注数据量不足,飞机目标相对较小,获取的图像数据为矩形等,使得单发多框检测器算法能够成功应用在光学遥感图像上,并能够准确地识别目标。(2)设计了一个新的算法框架将深度学习的检测算法与传统图像的显著性分割相结合,实现了光学遥感图像中飞机目标的弱监督分割。深度学习算法在图像分割中表现优异一部分原因是建立在大量的分割数据基础上的。面对没有飞机分割的标注数据而手工标注成本又过大的问题,本文将单发多框检测器算法与显著性分割算法相结合,仅利用训练集的飞机的外接矩形框数据成功的获得在测试集中自动获取到飞机的分割结果。(3)以舰船目标为例,提出了一个新的深度学习算法Faster R-CNN-R对光学遥感图像中的目标进行旋转框检测。目前所有端到端的深度学习算法只能输出外接矩形框,而由于舰船长宽比较大,遥感图像舰船角度任意,外接矩形框很难表示其真正位置。我们将Faster R-CNN算法加入角度信息,成功的产生了旋转矩形框,在速度基本不变的情况下,旋转框AP有着明显的提升。基于以上研究的成果,我们在Ubuntu系统上利用Mxnet深度学习框架进行了大量实验,并使用python/Tkinter制作了界面。实验结果证明了本文算法明显优于仅采用传统图像技术的算法,证明了算法的有效性。基于深度学习的算法能够应用于实际的光学遥感图像的目标检测分割任务中。